/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
30,4 млрд
Лицензия
MIT
Архитектура
glm_moe_dsa · dense
Базовая модель
GLM-5.3-BF16
Опубликована
28 авг 2026

GLM-5.3-W4AFP8

Генерация текстаТекст → текст15 профессий

GLM-5.3-W4AFP8 — квантизированная версия языковой модели GLM-5.3, разработанной организацией zai-org и опубликованной PhalaCloud.

4 922скачиваний за 30 дней10лайковвеса обновлены31 авг 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

Модель предназначена для генерации текста, программирования, агентских сценариев и задач с вызовом инструментов. Она основана на checkpoint zai-org/GLM-5.3-BF16 и сохраняет архитектуру GLM-5.2, включая механизм Mixture-of-Experts (MoE), EAGLE/MTP-спекулятивное декодирование и контекст до 1 млн токенов при использовании H200-класса GPU.

Эксперты модели квантизированы в INT4 с группами по 128 весов и калибровкой AWQ на трассах coding-agent, а активации и неэкспертные слои представлены в FP8. Такой формат рассчитан на запуск через SGLang с CUDA CUTLASS W4A8 grouped GEMM на GPU Hopper и обеспечивает примерно вдвое большую ёмкость KV-кэша по сравнению с FP8 checkpoint при одинаковой пропускной способности. Поддерживаются текстовая генерация, рассуждения и tool calling; точный список языков в README не указан.

По приведённым оценкам модель показывает 91,9 на GPQA-Diamond, 73,0 на AA-LCR и 82,2 на 45-элементной подвыборке BFCL, а также успешно извлекает информацию из промптов размером около 930 тысяч токенов. Ограничения включают зависимость от специализированной конфигурации SGLang и GPU Hopper, необходимость tensor parallelism на 8 устройствах для полного запуска, а также отсутствие заявленной поддержки этого формата в vLLM на момент публикации. Модель распространяется по лицензии MIT.

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-5.3-W4AFP8

W4AFP8 quantization of zai-org/GLM-5.3, quantized from the BF16 master: MoE expert weights in INT4 (group-128, AWQ-calibrated), activations and non-expert layers in FP8, served by SGLang's native CUTLASS W4A8 grouped GEMM on Hopper (SM90). Roughly 2x the KV-cache capacity of the FP8 checkpoint at identical serving throughput, with EAGLE/MTP speculative decoding intact.

Also mirrored on ModelScope (魔搭) for faster downloads in China.

Successor to PhalaCloud/GLM-5.2-W4AFP8; GLM-5.3 is architecturally identical to GLM-5.2 (verified tensor-by-tensor), so the same serving configuration applies.

What is different from the 5.2 checkpoint

  • Quantized from the BF16 master (zai-org/GLM-5.3-BF16), not the FP8 release, avoiding double quantization of expert weights.
  • AWQ calibration on coding-agent traces (SALT-NLP/SWE-chat, 128 windows x 2048 tokens, session-disjoint split), matching the production agentic workload, instead of generic web text.
  • The MTP/nextn draft layer (layer 78) ships quantized; EAGLE speculative decoding works out of the box.

Evaluation

Measured on this checkpoint served with the SGLang configuration below (official request parameters, reasoning at the chat-template default).

BenchmarkGLM-5.3-W4AFP8GLM-5.3 reference
GPQA-Diamond91.991.7
AA-LCR73.076.3
BFCL (45-item live subset)82.2—
NIAH retrieval @ ~930k-token prompts3/3 needles (depths 0.1/0.5/0.9)—
Teacher-forced dNLL vs BF16 (held-out coding traces)+0.28 nats—
Speculative accept length (EAGLE steps=3, topk=1, draft=4)~2.9—

References: Artificial Analysis GLM-5.3. Per-item artifacts are preserved in the repository history.

Serving

python -m sglang.launch_server \
  --model-path PhalaCloud/GLM-5.3-W4AFP8 \
  --tp 8 \
  --quantization w4afp8 \
  --disable-shared-experts-fusion \
  --speculative-algorithm EAGLE \
  --speculative-num-steps 3 --speculative-eagle-topk 1 --speculative-num-draft-tokens 4 \
  --reasoning-parser glm45 --tool-call-parser glm47

H200-class GPUs serve the full 1M context; on H100 80GB use --mem-fraction-static 0.78 and a reduced context length. vLLM support for this exact checkpoint format is pending upstream in vllm PR #53848 (--quantization w4afp8 via the humming backend).

Verification

  • Structural audit: tensor inventory (176,997 tensors) matches the format-proven GLM-5.2-W4AFP8 checkpoint exactly (names, dtypes, shapes).
  • Dequantization audit: int4 expert weights reconstruct within the expected group-128 envelope (10.8-13% relative RMS residual after AWQ channel-scale fitting; no outliers).
  • Held-out teacher-forced NLL and task benchmarks: see Evaluation above.

The per-layer AWQ search checkpoints (scales and clip thresholds for all 78 layers) are preserved in the repository history for reproducibility and further research; they are kept out of the current revision so snapshot_download fetches only the serving weights.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GlmMoeDsaForCausalLM
Ревизия весов
03179e9

0 моделей