/ Модель

Характеристики

Контекст
202 752 токена
Параметры
4,1 млрд
Размер весов
48,2 ГБ
Лицензия
MIT
Архитектура
glm4_moe_lite · dense
Базовая модель
GLM-4.7-Flash
Библиотека
transformers
Опубликована
28 сен 2026

GLM-4.7-Flash-RAZOR-24B-A3B-E48of64

Генерация текстаТекст → текст15 профессий

Диалоговая производная GLM-4.7-Flash с обрезанным пулом MoE-экспертов для генерации текста, рассуждений и программирования с длинным контекстом.

802скачиваний за 30 дней2лайкавеса обновлены30 сен 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-RAZOR-24B-A3B-E48of64 — производная диалоговая модель семейства GLM, созданная Nickyang методом RAZOR: из 64 маршрутизируемых экспертов в каждом MoE-слое удалена четверть, осталось 48. Градиентного дообучения и восстановления после обрезки не проводилось; сохранены исходные веса оставшихся компонентов. По README, в контрольной точке 24,123 млрд параметров с учётом MTP, а метаданные каталога указывают 4,1 млрд параметров; эти значения расходятся, поэтому размер модели требует проверки. Архитектура использует GLM-4.7-Flash и реализацию glm4_moe_lite в Transformers; контекст — 202752 токена.

Модель предназначена для диалоговой генерации текста, рассуждений и программирования с длинным контекстом. Сокращение пула экспертов уменьшает объём хранимых экспертных весов примерно на четверть, при этом README сообщает, что вычисления на токен практически не меняются. Контрольная точка хранится в bfloat16, в семи шардах safetensors; для запуска требуется сборка Transformers с нативной поддержкой glm4_moe_lite.

Обрезка экспертов необратима и может менять разнообразие, форматирование и завершение ответов, даже если точность на отдельных задачах в целом сохраняется. Поведение на областях, далёких от конечного калибровочного корпуса, не охарактеризовано. Лицензия — MIT.

Сценарии применения

  • диалоговые ответы на длинные запросы
  • суммаризация больших текстовых контекстов
  • помощь с программированием
  • генерация и продолжение текста
  • рассуждения по текстовым инструкциям

Ограничения

Обрезка экспертов может менять разнообразие, форматирование и завершение ответов; точность на бенчмарках не гарантирует стабильной генерации. Поведение на областях, далёких от конечного калибровочного корпуса, не охарактеризовано.

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-RAZOR-24B-A3B-E48of64

GLM-4.7-Flash with a quarter of its routed experts removed by RAZOR, a training-free expert pruning method. Every MoE layer keeps 48 of its original 64 routed experts. No gradient updates or recovery training were applied: the retained weights are the base model's own weights.

BaseThis model
Routed experts per MoE layer6448
Total stored parameters, including MTP31.221B24.123B
Stored MTP parameters1.278B1.127B
Stored parameters excluding MTP29.943B22.996B
Active parameters per token~3B~3B
Active experts per token (top-k)44 (unchanged)
Shared experts11 (unchanged)
Decoder layers4747 (unchanged)
Context length202,752202,752 (unchanged)

Pruning touches only the routed expert pool. Attention, the shared expert, the embedding, the LM head and the router's remaining rows are untouched, so the compute per token is essentially unchanged while expert storage shrinks by a quarter.

A 50% variant is available as GLM-4.7-Flash-RAZOR-17B-A3B-E32of64.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Nickyang/GLM-4.7-Flash-RAZOR-24B-A3B-E48of64"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype="bfloat16", device_map="auto",
)

messages = [{"role": "user", "content": "Explain mixture-of-experts routing."}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt",
).to(model.device)
print(tokenizer.decode(model.generate(inputs, max_new_tokens=256)[0]))

Requires a Transformers build that contains the native glm4_moe_lite implementation. The checkpoint stores bfloat16 weights in seven safetensors shards.

How the experts were selected

RAZOR asks whether the surviving computation can replace an expert's function, rather than how often or how strongly the expert fires. For a token routed to the set $S$ with normalized weights $w_j$, let $c=\sum_{j\in S} w_j f_j$ be the routed mixture and $r_j=f_j-c$ the consensus residual of expert $j$. Deleting a selected expert $i$ makes the router promote its highest-ranked unselected expert $r$, whose pseudo-weight $w_r$ is its score divided by the original selected score sum. With $\lambda$ the routed-output scale, the exact local output change is

$$ \delta_i=\lambda\lVert c-\tilde c^{-i}\rVert_2 =\lambda,\frac{\lVert w_i r_i - w_r r_r\rVert_2}{1-w_i+w_r}. $$

Scores are aggregated by conditional root mean square over the calibration tokens routed to each expert, and the highest-scoring experts are retained per layer. See the paper for the derivation and the code for the implementation.

Reproducing this checkpoint

Calibration used 32,768-token rows from RazorCal, the 2,048-sample multi-domain corpus released with RAZOR.

pip install razor-moe

razor saliency --model <path-to-GLM-4.7-Flash> \
               --data data/RazorCal.json --max-len 32768 --out out/sal
razor prune    --model <path-to-GLM-4.7-Flash> --saliency out/sal \
               --method razor --ratio 0.25 --out out/pruned

kept_expert_indices.json in this repository is the keep-set manifest this checkpoint was built from, in the format razor verify expects:

razor verify --pruned . --src <path-to-GLM-4.7-Flash>

Selection depends on the calibration draw, so an independent run reproduces the procedure rather than this exact expert set.

Limitations

Expert pruning is lossy. Benchmark retention and predictive fidelity do not guarantee stable generation: the paper reports that responses change in diversity, formatting and termination behaviour even where task accuracy is largely preserved. Evaluate on your own workload before deploying.

The calibration corpus is multi-domain but finite, so behaviour on domains far from it is not characterised by the released measurements.

License and attribution

This is a derivative of GLM-4.7-Flash, released by Z.ai under the MIT license, and is distributed under the same license. The retained weights are the base model's own weights; RAZOR contributes the expert selection, not new parameters.

The RAZOR code is Apache-2.0. RazorCal records remain subject to their applicable upstream terms; see data/LICENSE-DATA.

Citation

@misc{song2026razorpruningreplaceableexperts,
      title={RAZOR: Pruning Replaceable Experts in LLMs},
      author={Mingyang Song and Mao Zheng},
      year={2026},
      eprint={2609.30465},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2609.30465},
}

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
9ab0694

0 моделей