/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-4.7-Flash
Библиотека
gguf
Опубликована
11 июн 2026

GLM-4.7-Flash-NVFP4-GGUF

Генерация текстаТекст → текст15 профессий

Квантизированная в NVFP4 версия GLM-4.7-Flash в формате GGUF для диалоговой генерации текста, рассуждений и программирования.

238скачиваний за 30 дней2лайкавеса обновлены11 июн 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

GLM-4.7-Flash-NVFP4-GGUF — квантизированная версия языковой модели GLM-4.7-Flash, разработанной Zhipu AI и представленной в формате GGUF. Это модель архитектуры Mixture-of-Experts на базе DeepSeek2 с Multi-head Latent Attention: около 30 млрд параметров всего, из которых примерно 3,2 млрд активны на токен; используются 64 маршрутизируемых эксперта и один общий. Контекст составляет 200 000 токенов.

Модель предназначена для генерации текста в диалоге, рассуждений и программирования на английском и китайском языках. Квантизация NVFP4 до примерно 4,53 бит на вес уменьшает размер файла до 15,79 ГБ и рассчитана на эффективный запуск на GPU NVIDIA Blackwell. Режим рассуждений включён по умолчанию; модель не имеет визуального энкодера.

Это преобразование базовой модели в формат GGUF с квантизацией NVFP4. Репозиторий распространяется по лицензии MIT. Качество после квантизации может отличаться от исходной модели; для работы с NVFP4 требуется совместимое программное и аппаратное обеспечение.

Сценарии применения

  • ответы на вопросы в диалоге на английском и китайском языках
  • генерация и редактирование программного кода
  • пошаговое решение задач и рассуждения
  • суммаризация длинных текстов в пределах контекста модели

Ограничения

Квантизация может повлиять на качество по сравнению с исходной моделью. NVFP4 ориентирован на совместимое оборудование NVIDIA Blackwell; модель не принимает изображения.

Для каких профессий подходит15

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-Flash-NVFP4-GGUF

GGUF quantization of zai-org/GLM-4.7-Flash — a 30B-parameter Mixture-of-Experts language model with ~3.2B active parameters per token, built on the DeepSeek2 architecture with Multi-head Latent Attention (MLA) and 64 routed experts.

Quantized to NVFP4 format for efficient inference with minimal quality loss.

About NVFP4

NVFP4 is NVIDIA's native 4-bit floating-point format (E4M3) for Blackwell GPUs. It stores weights in FP4 with a shared per-block scale, enabling native Blackwell tensor core acceleration with no dequantization overhead during inference. Compared to INT4 formats, NVFP4 offers better dynamic range (E4M3 vs E2M1) and maintains higher quality at similar bit widths.

Files

FilenameTypeSizeDescription
glm-4.7-flash-nvfp4.ggufGGUF (NVFP4)15.79 GBQuantized model weights
README.mdMarkdown-Model card

Quantization Details

PropertyValue
FormatNVFP4
Bits Per Weight4.53 BPW
File Size15.79 GB
Tensor Count844
ArchitectureDeepSeek2 (custom for GLM-4.7-Flash)

Model Description

  • Developer: Zhipu AI
  • Architecture: Mixture-of-Experts (MoE) with DeepSeek2-style MLA
  • Parameters: ~30B total, ~3.2B active per token
  • Context Length: 200,000 tokens
  • Layers: 47 transformer layers
  • Attention: Multi-head Latent Attention (q_lora_rank=768, kv_lora_rank=512)
  • Experts: 64 routed experts (4 per token) + 1 shared expert
  • Vocab Size: 151,936
  • Languages: English, Chinese
  • Thinking: Enabled by default (native <think>/</think> tokens, hidden in history for clean multi-turn reasoning)
  • Pipeline: text-generation only (no vision encoder)

Usage

llama.cpp

# Basic generation
./llama-cli -m glm-4.7-flash-nvfp4.gguf \
  -p "Hello, how are you?" \
  -n 256

# With thinking/reasoning controlled
./llama-cli -m glm-4.7-flash-nvfp4.gguf \
  -p "Solve this step by step: 23 * 47" \
  -n 512 \
  -no-cnv

HuggingFace Hub

from huggingface_hub import hf_hub_download

model_path = hf_hub_download(
    repo_id="FreedomAISVR/GLM-4.7-Flash-NVFP4-GGUF",
    filename="glm-4.7-flash-nvfp4.gguf",
    repo_type="model"
)

Pipeline Commands

Source: zai-org/GLM-4.7-Flash (58 GB, 48 safetensor shards)

  1. F16 GGUF Conversion:

    python convert_hf_to_gguf.py D:\AI_MODELS\glm-4.7-src --outfile glm-4.7-f16.gguf --outtype f16
    

    Output: 55.79 GB, 844 tensors (DeepSeek2 arch, Glm4MoeLiteModel)

  2. NVFP4 Quantization:

    llama-quantize.exe glm-4.7-f16.gguf glm-4.7-flash-nvfp4.gguf NVFP4
    

    Duration: ~310s on RTX 5060 Ti

Hardware

ComponentSpecification
GPUNVIDIA RTX 5060 Ti 16 GB (Blackwell)
System RAM64 GB
StorageD: (NVMe)

License

MIT — same as the original zai-org/GLM-4.7-Flash.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
bd99cc2

0 моделей