DFlash

Z Lab、Modal 和 SGLang 团队于 2026 年 6 月 15 日发布的下一代推测解码方案，核心创新是块扩散（Block Diffusion）和 KV 注入（KV Injection）：草稿模型不再逐 token 自回归生成，而是在单次前向传播中并行生成一整个 block（4/8/16 个 token），在 Qwen 3.5 397B-A17B 上实现 4.3x 基线吞吐，比 EAGLE-3 快 1.5x，已被 ICML 2026 接收。

Z Lab、Modal 和 SGLang 团队于 2026 年 6 月 15 日发布的下一代推测解码方案，核心创新是块扩散（Block Diffusion）和 KV 注入（KV Injection）：草稿模型不再逐 token 自回归生成，而是在单次前向传播中并行生成一整个 block（4/8/16 个 token），在 Qwen 3.5 397B-A17B 上实现 4.3x 基线吞吐，比 EAGLE-3 快 1.5x，已被 ICML 2026 接收。

DFlash常见于：AI 研究与产业落地。实际选型需结合业务指标、数据规模与部署约束评估适用性。

围绕 DFlash 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。

DFlash随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。