Spark-X2.5-1.7B: Spark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色，涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流，并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合，并支持 200 多种语言。 - AtomGit AI社区

Spark-X2.5

[!Note] 本仓库包含以 Hugging Face Transformers 格式发布的后训练模型权重和配置文件。

简介

我们推出 Spark-X2.5-4B 和 Spark-X2.5-1.7B，两款紧凑的全能语言模型，旨在让强大的 AI 更实用、更高效、更易获取。这些模型在广泛的日常任务中表现强劲，涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流，并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合，并支持 200 多种语言。

技术亮点：

高效架构与原生 1M token 上下文：这些模型采用混合注意力架构，将一个全注意力层与三个滑动窗口注意力层相结合。该设计在原生支持最高 1M token 上下文窗口的同时，显著降低了长上下文模型通常带来的计算开销。
强大的编程与智能体能力：这些模型与主流智能体框架深度集成，包括 Codex、Claude Code、OpenClaw 和 Hermes。它们在常见编程、智能体工作流、推理和指令遵循任务中，于同等规模模型中取得了最先进的性能。
广泛的硬件与软件兼容性：这些模型支持多种硬件平台，包括 NVIDIA、Huawei、Hygon、HOUMO.AI 等。它们兼容主流推理框架，如 vLLM、SGLang、llama.cpp、MLX，并可快速通过 Ollama 和 LM Studio 等平台部署。这些模型还可基于 LLaMA-Factory 等流行微调框架进行定制。在多个硬件平台上，与同等规模模型相比，它们具有更优的 TTFT、TOPT 和整体推理效率。
先进训练算法：这些模型在 Huawei Ascend 集群上训练。大规模强化学习以及 MOPD 等后训练技术显著提升了其推理、编程、智能体和指令遵循能力。

Spark-X2.5 基准测试对比

模型概览

在智能体任务中，如何在性能、推理速度与缓存使用之间取得平衡，长期以来一直是制约模型性能的关键瓶颈。Spark-X2.5 系统性地集成并优化成熟的注意力技术，将滑动窗口注意力（SWA）与混合全注意力架构相结合。这种方式在发挥两种机制优势的同时，避免了依赖单一结构的局限，实现了性能、推理效率与 KV-cache 大小之间的有效平衡，从而提升其在真实部署场景中的实用性和有效性。

Spark-X2.5 混合架构

训练方法

Spark-X2.5 基于约 20 万亿 tokens 的多样化语料进行预训练，语料涵盖网页、书籍、学术出版物、代码和百科资料。我们特别关注数据质量、领域覆盖以及分配给不同数据类别的采样权重。通过大量数据配比研究，确定数学、逻辑、代码以及其他高价值领域之间的有效平衡。这使得模型能够获取广泛的通用知识，同时发展更强的复杂推理和代码生成能力。长上下文能力通过一个专门的训练阶段进行开发，该阶段包含数千亿 tokens，序列长度延伸至 1M tokens。

后训练首先基于精心筛选的语料库进行监督微调。该阶段建立稳健的指令遵循、结构化生成和任务完成能力，同时为强化学习提供稳定的策略初始化。随后，我们在多个能力领域应用大规模强化学习，包括语言理解、推理、编程、工具增强的智能体行为和指令遵循。该过程生成一组领域专长的教师策略，并通过 MOPD 将其互补优势整合到一个可部署模型中。

Spark-X2.5 混合架构

评测基准

我们对本系列模型进行了评测，并与同等规模的领先端侧模型在智能体、代码、数学、通用与知识等广泛任务上进行了对比。

评测基准	Spark‑X2.5‑4B	Spark‑X2.5‑1.7B	Qwen3.5‑9B	Qwen3.5‑4B	Qwen3.5‑2B	Gemma4‑12B	Gemma4‑E4B	Gemma4‑E2B
智能体
BFCL‑V4	65.1	46.9	66.1*	50.3*	43.6*	37.4	36.9	30.2
τ²‑bench	75.1	65.3	79.1*	79.9*	48.8*	69.0*	42.2*	24.5*
τ³‑bench	30.4	20.1	9.3	6.7	4.1	13.3	10.1	8.8
MCP‑Atlas	54.6	23.4	47.4*	40.8*	14.8	30.5*	15.0*	12.6
MCP‑Mark	14.2	2.3	13.4	12.5	–	–	–	–
Workspace Bench	31.2	18.9	25.5	21.3	7.7	–	–	–
VitaBench2.0	25.2	8.3	15.6	18.2	5.2	12.4	4.8	4.4
BrowseComp	40.9	29.7	8.3	14.3	3.1	10.0	8.3	3.7
代码
SWE‑Bench Pro	44.4	10.4	33.8*	29.4*	1.9	21.9*	4.0*	–
SWE‑Bench Verified	41.6	28.3	53.1*	38.8*	6.8	44.2*	14.0*	–
SWE‑Bench Multilingual	53.3	23.3	43.3	27.7	5.0	32.5*	–	–
SciCode	34.7	18.2	32.7*	24.0	6.0	39.8	27.5	20.5
数学
Gaokao 2026	133.4	114.8	135.5	130.3	94.0	130.6	102.4	81.8
AIME 2026	90.7	69.4	88.2	83.0	30.8	82.1*	42.5*	37.5*
HMMT Feb 2026	81.2	48.4	70.8	69.7	21.5	65.6	34.2	20.5
IMO‑AnswerBench	74.2	45.4	69.8	68.5	–	57.2	26.9	22.6
通用与知识
IFEval	93.0	89.5	91.5*	89.8*	78.6*	94.8	45.3	34.8
IFBench	75.0	66.3	64.5	59.2	41.3*	73.5*	44.0*	22.7
AA‑LCR	56.3	24.3	63.0*	57.0*	25.6*	55.3*	34.7	18.3
HLE	12.3	6.3	14.3	8.6	2.1	13.1	3.9	2.5
GPQA	67.4	43.8	77.2	67.2	44.6	72.8	54.5	43.8

* 表示来自公开发布的模型卡片 / 论文中已报告的结果，- 表示分数尚未公布。
所有评测均在思考模式下进行。Spark-X2.5 的推荐采样参数为 temperature=1.0、top_p=0.95、top_k=-1。
Gaokao 2026 由五场 2026 年中国高考组成（全国卷 I、全国卷 II、北京、上海、天津），每场满分 150 分。

快速入门

以下示例用于提供本地 Spark-X2.5-1.7B checkpoint 服务。在启动容器前，请将 MODEL_PATH 设置为该 checkpoint 的绝对路径：

export MODEL_PATH=/absolute/path/to/Spark-X2.5-1.7B

SGLang

安装 SGLang

请使用与 Spark-X2.5 运行时相匹配的预构建镜像：

适用于 NVIDIA GPU：

docker pull lmsysorg/sglang:nightly-dev-cu13-20260827-20621aa1

适用于 Ascend NPU：

# A3 daily build
export SGLANG_IMAGE=quay.io/ascend/sglang:main-cann9.0.0-a3

# A2 daily build (use this instead on A2 hardware)
export SGLANG_IMAGE=quay.io/ascend/sglang:main-cann9.0.0-910b

docker pull "$SGLANG_IMAGE"

运行推理

以下命令将启动一个兼容 OpenAI 的 API 服务，其最大上下文长度配置为 1,048,576 tokens。该设置需要足够的设备内存；如有必要，请调低 --context-length。

服务器

NVIDIA GPU:

docker run --rm -it \
  --gpus '"device=0"' \
  --ipc=host \
  -p 30000:30000 \
  -v "$MODEL_PATH:/root/Spark-X2.5-1.7B:ro" \
  lmsysorg/sglang:nightly-dev-cu13-20260827-20621aa1 \
  python -m sglang.launch_server \
    --model-path /root/Spark-X2.5-1.7B \
    --served-model-name spark2.5 \
    --tool-call-parser spark25 \
    --reasoning-parser qwen3 \
    --tp-size 1 \
    --mem-fraction-static 0.8 \
    --context-length 1048576 \
    --chat-template /root/Spark-X2.5-1.7B/chat_template.jinja \
    --host 0.0.0.0 \
    --port 30000

Ascend NPU:

docker run -it --rm -e ASCEND_USE_FIA=1 --network=host --ipc=host --shm-size=16g \
    --device=/dev/davinci0 --device=/dev/davinci1 --device=/dev/davinci2 --device=/dev/davinci3 \
    --device=/dev/davinci4 --device=/dev/davinci5 --device=/dev/davinci6 --device=/dev/davinci7 \
    --device=/dev/davinci8 --device=/dev/davinci9 --device=/dev/davinci10 --device=/dev/davinci11 \
    --device=/dev/davinci12 --device=/dev/davinci13 --device=/dev/davinci14 --device=/dev/davinci15 \
    --device=/dev/davinci_manager \
    --device=/dev/devmm_svm \
    --device=/dev/hisi_hdc \
    --volume /usr/local/sbin:/usr/local/sbin \
    --volume /usr/local/Ascend/driver:/usr/local/Ascend/driver \
    --volume /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \
    --volume /etc/ascend_install.info:/etc/ascend_install.info \
    --volume /var/queue_schedule:/var/queue_schedule \
    --volume ~/.cache/:/root/.cache/ \
    --volume "$MODEL_PATH:/root/Spark-X2.5-1.7B:ro" \
    --entrypoint=python \
    "$SGLANG_IMAGE" \
    -m sglang.launch_server \
      --model-path /root/Spark-X2.5-1.7B \
      --served-model-name spark2.5 \
      --tool-call-parser spark25 \
      --reasoning-parser qwen3 \
      --tp-size 1 \
      --mem-fraction-static 0.8 \
      --context-length 1048576 \
      --chat-template /root/Spark-X2.5-1.7B/chat_template.jinja \
      --host 0.0.0.0 \
      --port 30000

客户端

聊天模板与 Qwen3 推理解析器默认都会启用思考。若要在特定请求中禁用思考，请设置 "chat_template_kwargs": {"enable_thinking": false}。

curl -s http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "spark2.5",
    "messages": [
      {
        "role": "user",
        "content": "What is the capital of Anhui Province?"
      }
    ],
    "max_tokens": 131072,
    "temperature": 1,
    "top_k": -1,
    "top_p": 0.95,
    "repetition_penalty": 1,
    "presence_penalty": 0,
    "frequency_penalty": 0
  }'

vLLM

部署 vLLM

vLLM 提供适用于 NVIDIA GPU 部署的官方 Docker 镜像：

docker run --rm --gpus all \
  --ipc=host \
  -p 30000:30000 \
  -v "$MODEL_PATH:/models/Spark-X2.5-1.7B:ro" \
  vllm/vllm-openai:latest \
  --model /models/Spark-X2.5-1.7B \
  --port 30000 \
  --trust-remote-code \
  --served-model-name spark25 \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.7 \
  --enable-prefix-caching \
  --chat-template /models/Spark-X2.5-1.7B/chat_template.jinja

针对 Ascend NPUs，请选择官方镜像，以便最快完成部署。

Ascend A2:

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main
docker pull "$IMAGE"

export DEVICE=/dev/davinci0
export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --device "$DEVICE" \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -p 8000:8000 \
    -it "$IMAGE" bash

Ascend A3:

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main-a3
docker pull "$IMAGE"

export DEVICE0=/dev/davinci0
export DEVICE1=/dev/davinci1
export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --device "$DEVICE0" \
    --device "$DEVICE1" \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -p 8000:8000 \
    -it "$IMAGE" bash

Ascend 950DT：

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main-a5
docker pull "$IMAGE"

export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --net=host \
    --shm-size=1g \
    --device /dev/davinci0 \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -it "$IMAGE" bash

在容器内安装 Spark 插件：

pip install uv
uv venv ~/spark2_5
source ~/spark2_5/bin/activate
git clone https://github.com/XHToken/Spark-plugin.git
cd ./Spark-plugin
uv pip install .

服务器

vllm serve "/models/Spark-X2.5-1.7B" \
 --port "30000" \
 --trust-remote-code \
 --served-model-name spark25 \
 --tensor-parallel-size 1 \
 --gpu-memory-utilization 0.7 \
 --enable-prefix-caching \
 --chat-template /models/Spark-X2.5-1.7B/chat_template.jinja

客户端

curl -s http://127.0.0.1:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "spark25",
    "messages": [{"role": "user", "content": "What is the capital of Anhui Province?"}],
    "temperature": 1.0, 
    "top_k": -1,
    "top_p": 0.95
  }'

MLX

Spark-MLX-LLM 可在本地运行原始 Spark-X2.5 Hugging Face 检查点。它支持 Apple 芯片 GPU、Linux CPU，以及 Linux 下的 NVIDIA CUDA，无需进行 GGUF 转换。

安装

git clone https://github.com/XHToken/Spark-MLX-LLM.git
cd Spark-MLX-LLM

python3 -m venv .venv
source .venv/bin/activate

# Apple silicon
python -m pip install -e .
# Linux CPU
python -m pip install -e '.[cpu]'
# Linux with CUDA 12
python -m pip install -e '.[cuda12]' 
# Linux with CUDA 13
python -m pip install -e '.[cuda13]'

运行推理

spark-mlx-generate \
  --device gpu \
  --dtype bfloat16 \
  --model XHToken/Spark-X2.5-1.7B \
  --prompt "What is the capital of Anhui Province?" \
  --max-tokens 512 \
  --temp 0

Ollama

构建

git clone https://github.com/XHToken/llama.cpp.git llama.cpp-spark
git clone https://github.com/ollama/ollama.git ollama-spark
cd ollama-spark
export OLLAMA_LLAMA_CPP_SOURCE="$(cd ../llama.cpp-spark && pwd)"
cmake -S . -B build
cmake --build build --parallel 8

创建并运行

创建模型定义，然后在一个终端中启动 Ollama 服务：

printf 'FROM /absolute/path/to/your.gguf\n' > ./Modelfile.spark
./ollama serve

在另一个终端中创建并运行模型：

./ollama create Spark-X2.5-1.7B -f ./Modelfile.spark
./ollama run Spark-X2.5-1.7B

LM Studio

构建

git clone https://github.com/XHToken/llama.cpp.git llama.cpp-spark
cd llama.cpp-spark
cmake -S . -B build
cmake --build build --parallel 8

配置 LM Studio

关闭 LM Studio。

备份所选运行时目录：

<LM_STUDIO_HOME>/extensions/backends/<selected-runtime>/

将 llama.cpp-spark 的构建输出复制到所选运行时目录，并覆盖现有文件。
将 GGUF 模型放到以下目录：
```
<LM_STUDIO_HOME>/models/<org>/<name>/
```

macOS 上的运行时目录示例：

./build/bin/* -> ~/.lmstudio/extensions/backends/llama.cpp-mac-arm64-apple-metal-advsimd-<version>/

通过 LM Studio 运行

打开 My Models，选择 Spark-X2.5 模型，点击 Load，然后新建 Chat。

通过 lms CLI 运行

# Replace <model> with a model listed by lms ls.
lms load <model>
lms chat <model>

微调

我们建议使用 Llama-Factory 对模型进行微调。

许可证

Spark-X2.5 模型系列基于 Apache 2.0 License 授权。

引用

如果我们的工作对您有所帮助，欢迎引用。

@misc{sparkx2.5,
    title  = {Spark-X2.5 4B&1.7B: Pushing the Limits of Agentic Capabilities in On-Device Models},
    author = {SparkLLM Team},
    year   = {2026}
}

Spark-X2.5

[!Note] 本仓库包含以 Hugging Face Transformers 格式发布的后训练模型权重和配置文件。

简介

技术亮点：

高效架构与原生 1M token 上下文：这些模型采用混合注意力架构，将一个全注意力层与三个滑动窗口注意力层相结合。该设计在原生支持最高 1M token 上下文窗口的同时，显著降低了长上下文模型通常带来的计算开销。
强大的编程与智能体能力：这些模型与主流智能体框架深度集成，包括 Codex、Claude Code、OpenClaw 和 Hermes。它们在常见编程、智能体工作流、推理和指令遵循任务中，于同等规模模型中取得了最先进的性能。
广泛的硬件与软件兼容性：这些模型支持多种硬件平台，包括 NVIDIA、Huawei、Hygon、HOUMO.AI 等。它们兼容主流推理框架，如 vLLM、SGLang、llama.cpp、MLX，并可快速通过 Ollama 和 LM Studio 等平台部署。这些模型还可基于 LLaMA-Factory 等流行微调框架进行定制。在多个硬件平台上，与同等规模模型相比，它们具有更优的 TTFT、TOPT 和整体推理效率。
先进训练算法：这些模型在 Huawei Ascend 集群上训练。大规模强化学习以及 MOPD 等后训练技术显著提升了其推理、编程、智能体和指令遵循能力。

Spark-X2.5 基准测试对比

模型概览

Spark-X2.5 混合架构

训练方法

Spark-X2.5 混合架构

评测基准

我们对本系列模型进行了评测，并与同等规模的领先端侧模型在智能体、代码、数学、通用与知识等广泛任务上进行了对比。

评测基准	Spark‑X2.5‑4B	Spark‑X2.5‑1.7B	Qwen3.5‑9B	Qwen3.5‑4B	Qwen3.5‑2B	Gemma4‑12B	Gemma4‑E4B	Gemma4‑E2B
智能体
BFCL‑V4	65.1	46.9	66.1*	50.3*	43.6*	37.4	36.9	30.2
τ²‑bench	75.1	65.3	79.1*	79.9*	48.8*	69.0*	42.2*	24.5*
τ³‑bench	30.4	20.1	9.3	6.7	4.1	13.3	10.1	8.8
MCP‑Atlas	54.6	23.4	47.4*	40.8*	14.8	30.5*	15.0*	12.6
MCP‑Mark	14.2	2.3	13.4	12.5	–	–	–	–
Workspace Bench	31.2	18.9	25.5	21.3	7.7	–	–	–
VitaBench2.0	25.2	8.3	15.6	18.2	5.2	12.4	4.8	4.4
BrowseComp	40.9	29.7	8.3	14.3	3.1	10.0	8.3	3.7
代码
SWE‑Bench Pro	44.4	10.4	33.8*	29.4*	1.9	21.9*	4.0*	–
SWE‑Bench Verified	41.6	28.3	53.1*	38.8*	6.8	44.2*	14.0*	–
SWE‑Bench Multilingual	53.3	23.3	43.3	27.7	5.0	32.5*	–	–
SciCode	34.7	18.2	32.7*	24.0	6.0	39.8	27.5	20.5
数学
Gaokao 2026	133.4	114.8	135.5	130.3	94.0	130.6	102.4	81.8
AIME 2026	90.7	69.4	88.2	83.0	30.8	82.1*	42.5*	37.5*
HMMT Feb 2026	81.2	48.4	70.8	69.7	21.5	65.6	34.2	20.5
IMO‑AnswerBench	74.2	45.4	69.8	68.5	–	57.2	26.9	22.6
通用与知识
IFEval	93.0	89.5	91.5*	89.8*	78.6*	94.8	45.3	34.8
IFBench	75.0	66.3	64.5	59.2	41.3*	73.5*	44.0*	22.7
AA‑LCR	56.3	24.3	63.0*	57.0*	25.6*	55.3*	34.7	18.3
HLE	12.3	6.3	14.3	8.6	2.1	13.1	3.9	2.5
GPQA	67.4	43.8	77.2	67.2	44.6	72.8	54.5	43.8

* 表示来自公开发布的模型卡片 / 论文中已报告的结果，- 表示分数尚未公布。
所有评测均在思考模式下进行。Spark-X2.5 的推荐采样参数为 temperature=1.0、top_p=0.95、top_k=-1。
Gaokao 2026 由五场 2026 年中国高考组成（全国卷 I、全国卷 II、北京、上海、天津），每场满分 150 分。

快速入门

以下示例用于提供本地 Spark-X2.5-1.7B checkpoint 服务。在启动容器前，请将 MODEL_PATH 设置为该 checkpoint 的绝对路径：

export MODEL_PATH=/absolute/path/to/Spark-X2.5-1.7B

SGLang

安装 SGLang

请使用与 Spark-X2.5 运行时相匹配的预构建镜像：

适用于 NVIDIA GPU：

docker pull lmsysorg/sglang:nightly-dev-cu13-20260827-20621aa1

适用于 Ascend NPU：

# A3 daily build
export SGLANG_IMAGE=quay.io/ascend/sglang:main-cann9.0.0-a3

# A2 daily build (use this instead on A2 hardware)
export SGLANG_IMAGE=quay.io/ascend/sglang:main-cann9.0.0-910b

docker pull "$SGLANG_IMAGE"

运行推理

以下命令将启动一个兼容 OpenAI 的 API 服务，其最大上下文长度配置为 1,048,576 tokens。该设置需要足够的设备内存；如有必要，请调低 --context-length。

服务器

NVIDIA GPU:

docker run --rm -it \
  --gpus '"device=0"' \
  --ipc=host \
  -p 30000:30000 \
  -v "$MODEL_PATH:/root/Spark-X2.5-1.7B:ro" \
  lmsysorg/sglang:nightly-dev-cu13-20260827-20621aa1 \
  python -m sglang.launch_server \
    --model-path /root/Spark-X2.5-1.7B \
    --served-model-name spark2.5 \
    --tool-call-parser spark25 \
    --reasoning-parser qwen3 \
    --tp-size 1 \
    --mem-fraction-static 0.8 \
    --context-length 1048576 \
    --chat-template /root/Spark-X2.5-1.7B/chat_template.jinja \
    --host 0.0.0.0 \
    --port 30000

Ascend NPU:

docker run -it --rm -e ASCEND_USE_FIA=1 --network=host --ipc=host --shm-size=16g \
    --device=/dev/davinci0 --device=/dev/davinci1 --device=/dev/davinci2 --device=/dev/davinci3 \
    --device=/dev/davinci4 --device=/dev/davinci5 --device=/dev/davinci6 --device=/dev/davinci7 \
    --device=/dev/davinci8 --device=/dev/davinci9 --device=/dev/davinci10 --device=/dev/davinci11 \
    --device=/dev/davinci12 --device=/dev/davinci13 --device=/dev/davinci14 --device=/dev/davinci15 \
    --device=/dev/davinci_manager \
    --device=/dev/devmm_svm \
    --device=/dev/hisi_hdc \
    --volume /usr/local/sbin:/usr/local/sbin \
    --volume /usr/local/Ascend/driver:/usr/local/Ascend/driver \
    --volume /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \
    --volume /etc/ascend_install.info:/etc/ascend_install.info \
    --volume /var/queue_schedule:/var/queue_schedule \
    --volume ~/.cache/:/root/.cache/ \
    --volume "$MODEL_PATH:/root/Spark-X2.5-1.7B:ro" \
    --entrypoint=python \
    "$SGLANG_IMAGE" \
    -m sglang.launch_server \
      --model-path /root/Spark-X2.5-1.7B \
      --served-model-name spark2.5 \
      --tool-call-parser spark25 \
      --reasoning-parser qwen3 \
      --tp-size 1 \
      --mem-fraction-static 0.8 \
      --context-length 1048576 \
      --chat-template /root/Spark-X2.5-1.7B/chat_template.jinja \
      --host 0.0.0.0 \
      --port 30000

客户端

聊天模板与 Qwen3 推理解析器默认都会启用思考。若要在特定请求中禁用思考，请设置 "chat_template_kwargs": {"enable_thinking": false}。

curl -s http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "spark2.5",
    "messages": [
      {
        "role": "user",
        "content": "What is the capital of Anhui Province?"
      }
    ],
    "max_tokens": 131072,
    "temperature": 1,
    "top_k": -1,
    "top_p": 0.95,
    "repetition_penalty": 1,
    "presence_penalty": 0,
    "frequency_penalty": 0
  }'

vLLM

部署 vLLM

vLLM 提供适用于 NVIDIA GPU 部署的官方 Docker 镜像：

docker run --rm --gpus all \
  --ipc=host \
  -p 30000:30000 \
  -v "$MODEL_PATH:/models/Spark-X2.5-1.7B:ro" \
  vllm/vllm-openai:latest \
  --model /models/Spark-X2.5-1.7B \
  --port 30000 \
  --trust-remote-code \
  --served-model-name spark25 \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.7 \
  --enable-prefix-caching \
  --chat-template /models/Spark-X2.5-1.7B/chat_template.jinja

针对 Ascend NPUs，请选择官方镜像，以便最快完成部署。

Ascend A2:

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main
docker pull "$IMAGE"

export DEVICE=/dev/davinci0
export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --device "$DEVICE" \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -p 8000:8000 \
    -it "$IMAGE" bash

Ascend A3:

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main-a3
docker pull "$IMAGE"

export DEVICE0=/dev/davinci0
export DEVICE1=/dev/davinci1
export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --device "$DEVICE0" \
    --device "$DEVICE1" \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -p 8000:8000 \
    -it "$IMAGE" bash

Ascend 950DT：

export IMAGE=quay.io/ascend/vllm-ascend:nightly-main-a5
docker pull "$IMAGE"

export MODEL_CACHE="${HOME}/.cache"

mkdir -p "$MODEL_CACHE"

docker run --rm \
    --name vllm-ascend \
    --net=host \
    --shm-size=1g \
    --device /dev/davinci0 \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
    -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v "$MODEL_CACHE:/root/.cache" \
    -it "$IMAGE" bash

在容器内安装 Spark 插件：

pip install uv
uv venv ~/spark2_5
source ~/spark2_5/bin/activate
git clone https://github.com/XHToken/Spark-plugin.git
cd ./Spark-plugin
uv pip install .

服务器

vllm serve "/models/Spark-X2.5-1.7B" \
 --port "30000" \
 --trust-remote-code \
 --served-model-name spark25 \
 --tensor-parallel-size 1 \
 --gpu-memory-utilization 0.7 \
 --enable-prefix-caching \
 --chat-template /models/Spark-X2.5-1.7B/chat_template.jinja

客户端

curl -s http://127.0.0.1:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "spark25",
    "messages": [{"role": "user", "content": "What is the capital of Anhui Province?"}],
    "temperature": 1.0, 
    "top_k": -1,
    "top_p": 0.95
  }'

MLX

Spark-MLX-LLM 可在本地运行原始 Spark-X2.5 Hugging Face 检查点。它支持 Apple 芯片 GPU、Linux CPU，以及 Linux 下的 NVIDIA CUDA，无需进行 GGUF 转换。

安装

git clone https://github.com/XHToken/Spark-MLX-LLM.git
cd Spark-MLX-LLM

python3 -m venv .venv
source .venv/bin/activate

# Apple silicon
python -m pip install -e .
# Linux CPU
python -m pip install -e '.[cpu]'
# Linux with CUDA 12
python -m pip install -e '.[cuda12]' 
# Linux with CUDA 13
python -m pip install -e '.[cuda13]'

运行推理

spark-mlx-generate \
  --device gpu \
  --dtype bfloat16 \
  --model XHToken/Spark-X2.5-1.7B \
  --prompt "What is the capital of Anhui Province?" \
  --max-tokens 512 \
  --temp 0

Ollama

构建

git clone https://github.com/XHToken/llama.cpp.git llama.cpp-spark
git clone https://github.com/ollama/ollama.git ollama-spark
cd ollama-spark
export OLLAMA_LLAMA_CPP_SOURCE="$(cd ../llama.cpp-spark && pwd)"
cmake -S . -B build
cmake --build build --parallel 8

创建并运行

创建模型定义，然后在一个终端中启动 Ollama 服务：

printf 'FROM /absolute/path/to/your.gguf\n' > ./Modelfile.spark
./ollama serve

在另一个终端中创建并运行模型：

./ollama create Spark-X2.5-1.7B -f ./Modelfile.spark
./ollama run Spark-X2.5-1.7B

LM Studio

构建

git clone https://github.com/XHToken/llama.cpp.git llama.cpp-spark
cd llama.cpp-spark
cmake -S . -B build
cmake --build build --parallel 8

配置 LM Studio

关闭 LM Studio。

备份所选运行时目录：

<LM_STUDIO_HOME>/extensions/backends/<selected-runtime>/

将 llama.cpp-spark 的构建输出复制到所选运行时目录，并覆盖现有文件。
将 GGUF 模型放到以下目录：
```
<LM_STUDIO_HOME>/models/<org>/<name>/
```

macOS 上的运行时目录示例：

./build/bin/* -> ~/.lmstudio/extensions/backends/llama.cpp-mac-arm64-apple-metal-advsimd-<version>/

通过 LM Studio 运行

打开 My Models，选择 Spark-X2.5 模型，点击 Load，然后新建 Chat。

通过 lms CLI 运行

# Replace <model> with a model listed by lms ls.
lms load <model>
lms chat <model>

微调

我们建议使用 Llama-Factory 对模型进行微调。

许可证

Spark-X2.5 模型系列基于 Apache 2.0 License 授权。

引用

如果我们的工作对您有所帮助，欢迎引用。

@misc{sparkx2.5,
    title  = {Spark-X2.5 4B&1.7B: Pushing the Limits of Agentic Capabilities in On-Device Models},
    author = {SparkLLM Team},
    year   = {2026}
}