/ Модель

Характеристики

Контекст
202 752 токена
Параметры
4,1 млрд
Лицензия
MIT
Архитектура
glm4_moe_lite · dense
Базовая модель
GLM-4.7-Flash
Библиотека
transformers
Опубликована
21 янв 2026

GLM-4.7-Flash-REAP-50

Генерация текстаТекст → текст13 профессий

Сжатая примерно вдвое по числу экспертов модель GLM-4.7-Flash для генерации текста и кода, вызова функций и агентных задач.

86скачиваний за 30 дней10лайковвеса обновлены25 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Akicou/GLM-4.7-Flash-REAP-50 — сжатая версия GLM-4.7-Flash, созданная с помощью REAP (Router-weighted Expert Activation Pruning) от Cerebras. Из модели удалена примерно половина экспертов; README указывает 4,1 млрд параметров, а архитектура в метаданных обозначена как GLM4 MoE Lite с классом Glm4MoeLiteForCausalLM. Модель предназначена для генерации текста, особенно кода, вызова функций и агентных сценариев. Она поддерживает контекст до 202 752 токенов и рассчитана прежде всего на английский язык.

Модель можно запускать через Transformers, vLLM и SGLang; указана лицензия MIT. README сообщает, что сжатие выполнено без дообучения, поэтому классификация происхождения как fine-tune в метаданных расходится с описанным методом pruning. Для GGUF-файлов автор отмечает проблему совместимости с llama.cpp и их повторную генерацию; метаданные указывают формат safetensors.

Сценарии применения

  • генерация и дополнение программного кода
  • вызов функций и инструментов в приложениях
  • выполнение многошаговых агентных задач
  • диалоговая генерация текста с длинным контекстом

Ограничения

В README указана проблема совместимости GGUF-файлов с llama.cpp, из-за которой возможны зацикливание и низкое качество вывода; файлы пересобираются. Метаданные классифицируют модель как fine-tune, тогда как README описывает pruning без дообучения.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLM-4.7-REAP-50

⚠️ Model Status & Deployment Note

Important Update regarding GGUF support: A critical bug was recently identified in llama.cpp regarding the scoring_func for GLM models (which caused looping and poor output quality). While the base weights are functional, the GGUF files for this model are currently being re-generated to ensure full compatibility with the latest fixes.

  • Status: GGUF files are scheduled for re-upload by January 24, 2026.
  • Recommendation: If you are using local inference via llama.cpp or Unsloth, please refer to the official Unsloth GLM-4.7-Flash documentation for the most stable configuration parameters.
  • Native Support: The BF16/FP16 weights remain compatible with transformers and vLLM for immediate use.

✨ Highlights

50% Expert-Pruned GLM-4.7 Flash optimized for code generation, function calling, and agentic workflows.

Created using REAP (Router-weighted Expert Activation Pruning) by Cerebras:

  • Calibrated for Code & Tools: Preserves coding and function-calling capabilities
  • One-Shot Compression: No fine-tuning required
  • Drop-in Compatible: Works with vLLM, Transformers, SGLang

🙏 Acknowledgments

--

The Science Behind Dataset Selection

REAP Algorithm:
1. Forward pass calibration samples through model
2. Record which experts activate and their magnitudes
3. Compute saliency = router_weight × activation_norm
4. Prune lowest-saliency experts

Key Insight: Experts are TASK-SPECIFIC
├── Some experts specialize in natural language
├── Some experts specialize in code syntax
├── Some experts specialize in JSON/structured output
└── Some experts specialize in multi-turn context

If calibration lacks code → code-specialized experts appear "unused" → get pruned → model loses coding ability

Cerebras' Original Mix (from paper)

Cerebras used the same 3 datasets in their GLM-4.6 REAP experiments:

  • evol-codealpaca-v1 for code generation
  • xlam-function-calling-60k for tool calling
  • SWE-smith-trajectories for agentic tasks

We followed this exact recipe for reproducibility.


🚀 Deployment

vLLM (Recommended)

vllm serve Akicou/GLM-4.7-Flash-REAP-50 \
    --tensor-parallel-size 2 \
    --trust-remote-code \
    --dtype bfloat16

Transformers

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Akicou/GLM-4.7-Flash-REAP-50",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained("Akicou/GLM-4.7-REAP-50", trust_remote_code=True)

messages = [{"role": "user", "content": "Write a Python function to merge two sorted lists."}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True)
outputs = model.generate(inputs.to(model.device), max_new_tokens=512, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

⚖️ License

MIT (inherited from GLM-4.7 Flash)


🧾 Citation

@article{lasby2025reap,
  title={REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression},
  author={Lasby, Mike and Lazarevich, Ivan and Sinnadurai, Nish and Lie, Sean and Ioannou, Yani and Thangarasa, Vithursan},
  journal={arXiv preprint arXiv:2510.13999},
  year={2025},
  url={https://arxiv.org/abs/2510.13999}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4MoeLiteForCausalLM
Ревизия весов
ba822f3

0 моделей