/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
30,4 млрд
Лицензия
MIT
Архитектура
glm_moe_dsa · dense
Базовая модель
GLM-5.2
Библиотека
transformers
Опубликована
19 авг 2026

GLM-5.2-MXFP4xFP8_BLOCK

Генерация текстаТекст → текст12 профессий

GLM-5.2-MXFP4xFP8_BLOCK — квантизированная версия языковой модели GLM-5.2, разработанная RedHatAI на базе модели zai-org/GLM-5.2.

655скачиваний за 30 дней0лайковвеса обновлены15 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 оценки4

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

  • datacurve/deep-swe

    score

    Результат

    46,2

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • cais/hle

    score

    Результат

    40,5

    hle 54,7
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • Idavidrein/gpqa

    score

    Результат

    91,2

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • ScaleAI/SWE-bench_Pro

    score

    Результат

    62,1

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это текстовая causal language model с архитектурой GlmMoeDsaForCausalLM: принимает текст и генерирует текст. В README указана поддержка английского и китайского языков, а также готовность к инференсу через vLLM.

Модель использует смешанную квантизацию: линейные слои MoE-экспертов квантизированы до 4-битного MXFP4, а линейные слои внимания, dense- и shared-expert-компоненты — до 8-битного блочно-масштабируемого FP8_BLOCK; активации квантизируются в FP8 с динамическим масштабированием. В среднем используется около 4,4 бита на параметр, благодаря чему размер модели на диске сокращён примерно с 1,47 ТБ в формате BF16 до 411 ГБ, а требования к дисковой и GPU-памяти уменьшены приблизительно на 72%.

Модель предназначена для запуска крупной GLM-5.2 в условиях ограниченных ресурсов, включая инференс с использованием vLLM, параллелизма по тензорам, FP8 KV-кэша и инструментального вызова. Ключевое ограничение — экспериментальная поддержка этого квантизированного checkpoint в vLLM; размер контекста, точное число параметров, мультимодальные возможности и лицензия в README не указаны. Квантизация выполнена с помощью LLM Compressor методом RTN без калибровочных данных, а модель экспортирована в формате compressed-tensors.

Для каких профессий подходит12

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-5.2-MXFP4xFP8_BLOCK

Model Overview

  • Model Architecture: GlmMoeDsaForCausalLM
    • Input: Text
    • Output: Text
  • Model Optimizations:
    • Weight quantization: Mixed (MXFP4 / FP8_BLOCK)
    • Activation quantization: FP8
  • Version: 1.0
  • Model Developers: RedHatAI

This model is a quantized version of zai-org/GLM-5.2.

Model Optimizations

This model was obtained by applying mixed-precision quantization to zai-org/GLM-5.2, quantizing the MoE expert linears to 4-bit MXFP4 and the remaining quantized linears (attention, dense, and shared-expert layers) to 8-bit block-scaled FP8 with dynamic FP8 activation scaling, ready for inference with vLLM.

This optimization reduces the number of bits per parameter from 16 to an average of ~4.4 bits, shrinking the on-disk model size from ~1.47 TB (BF16) to ~411 GB and reducing disk and GPU memory requirements by approximately 72%.

Only the linear operators within transformer blocks are quantized using LLM Compressor.

Note: this quantized checkpoint is experimentally supported in vLLM.

Deployment

Use with vLLM

vllm serve RedHatAI/GLM-5.2-MXFP4xFP8_BLOCK \
  --tensor-parallel-size 8 \
  --kv-cache-dtype fp8_e4m3 \
  --speculative-config '{"method": "mtp", "num_speculative_tokens": 5}' \
  --tool-call-parser glm47 \
  --reasoning-parser glm45 \
  --enable-auto-tool-choice

Creation

This model was created by applying LLM Compressor with the mixed-precision scheme described above (RTN, no calibration data), exported in compressed-tensors format.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
GlmMoeDsaForCausalLM
Ревизия весов
9766e6b

0 моделей