/ Модель

Характеристики

Контекст
8 192 токена
Параметры
4,1 млрд
Размер весов
8,7 ГБ
Лицензия
Своя лицензия
Архитектура
glm · dense
Базовая модель
glm-edge-4b-chat
Библиотека
mlx
Опубликована
20 сен 2026

glm-edge-4b-chat-mlx-16bit

Генерация текстаТекст → текст6 профессий

16-битная версия GLM-Edge-4B-Chat в формате MLX для локальной генерации текста и диалогов на Apple Silicon.

403скачиваний за 30 дней0лайковвеса обновлены20 сен 2026

Бенчмарки

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

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

SirSahOl подготовил эту версию GLM-Edge-4B-Chat для запуска через MLX на Apple Silicon. Это плотная авторегрессионная модель семейства GLM с 4,1 млрд параметров, предназначенная для диалогов и генерации текста; она поддерживает контекст до 8 192 токенов.

Репозиторий содержит веса в формате safetensors с точностью 16 бит без квантизации. Конверсия рассчитана на локальный вывод с использованием GPU Apple Silicon и библиотеки MLX; заявленный активный объём памяти составляет около 9,3 ГБ, рекомендуется не менее 16 ГБ объединённой памяти. Модель подходит для интерактивного помощника, многоходового чата и локального дополнения текста.

Карточка указывает лицензию «other», но не приводит её конкретных условий, поэтому перед использованием следует проверить лицензию исходной модели и репозитория. Это преобразованная версия базовой модели THUDM/glm-edge-4b-chat; поддержка других аппаратных платформ в карточке не заявлена.

Сценарии применения

  • локальный многоходовый чат на Mac
  • интерактивный текстовый помощник
  • дополнение текста в приложениях
  • локальная генерация ответов и черновиков
  • запуск GLM-Edge через MLX на Apple Silicon

Ограничения

Репозиторий предназначен для инференса на Apple Silicon через MLX; объём памяти и скорость зависят от устройства и длины контекста. В метаданных лицензия обозначена как «other», поэтому конкретные условия использования нужно уточнить по карточке исходной модели и репозитория.

Для каких профессий подходит6

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-edge-4b-chat-mlx-16bit

16-bit MLX conversion of THUDM/glm-edge-4b-chat optimized for Apple Silicon native GPU inference.

Converted by: SirSahOl
Source Model: THUDM/glm-edge-4b-chat
Framework: MLX by Apple
Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
Format: safetensors
License: other


Model Details

  • Architecture: GlmForCausalLM
  • Parameters: 4.15B
  • Context Length: 8,192 tokens
  • Format: MLX (Apple Silicon native GPU format)
  • Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
  • Active VRAM Footprint: ~9.3 GB (Minimum recommended: 16 GB Unified Memory)

Quick Start

Installation

pip install mlx-lm

Usage

CLI

# Chat interactively
mlx_lm.chat --model SirSahOl/glm-edge-4b-chat-mlx-16bit

# Generate text
mlx_lm.generate --model SirSahOl/glm-edge-4b-chat-mlx-16bit --prompt "Write a short poem about artificial intelligence."

Python API (with Chat Template)

from mlx_lm import load, generate

model, tokenizer = load("SirSahOl/glm-edge-4b-chat-mlx-16bit")

messages = [
    {"role": "user", "content": "Explain quantum superposition in simple terms."}
]
prompt = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

response = generate(model, tokenizer, prompt=prompt, verbose=True)
print(response)

Performance Benchmarks

Apple Silicon Hardware Sizing Matrix

Estimated decoding throughput, time-to-first-token (TTFT), and active unified memory footprint across Apple Silicon tiers:

Apple Silicon TierUnified MemoryActive VRAMEstimated SpeedEst. TTFTRecommended Use Case
M1 / M2 / M3 / M4 (Base)16 GB Unified Memory~9.4 GB~25 tokens/sec~126 msEveryday interactive assistant & fast local completions
M1 / M2 / M3 / M4 Pro18 GB – 36 GB~9.4 GB~38 tokens/sec~86 msBalanced daily driver for coding, tool invocation, and multi-turn chat
M1 / M2 / M3 / M4 Max36 GB – 128 GB~9.4 GB~54 tokens/sec~53 msHigh-throughput generation, low latency, agent orchestration
M1 / M2 / M3 Ultra64 GB – 192 GB~9.4 GB~75 tokens/sec~35 msPeak concurrency, batch document extraction, production serving

Estimates based on Apple Silicon unified memory bandwidth and active parameter footprint. Real-world speeds may vary with context length.


Multi-Quantization Comparison

Evaluate your hardware budget and choose the optimal precision:

VariantDisk SizeVRAM FootprintTarget Apple Silicon HardwareKey Advantage
4-bit MLX~2.6 GB~2.6 GBM1 / M2 / M3 / M4 (8GB+)Maximum generation speed and lowest RAM overhead.
8-bit MLX~4.7 GB~4.7 GBM1 / M2 / M3 / M4 Pro/Max (16GB+)Balanced accuracy and generation speed; near-lossless reasoning.
16-bit MLX (This Repository)~8.8 GB~8.8 GBM2 / M3 / M4 Max/Ultra (32GB+)Full unquantized precision; reference evaluation quality.

Who Should Use This?

Your HardwareRecommended Quantization
M1/M2/M3/M4 (8GB – 16GB)4-bit — Best balance of speed, low memory, and multitasking capability
M1/M2/M3/M4 Pro/Max (18GB – 36GB)8-bit — Higher quality reasoning with comfortable memory headroom
M1/M2/M3/M4 Max/Ultra (36GB – 192GB)16-bit — Unquantized full precision, zero quality degradation

General guidance:

  • Use 4-bit if you want to run this model alongside IDEs, browsers, and background development tools.
  • Use 8-bit if you have 16GB+ unified memory and require superior reasoning and code accuracy.
  • Use 16-bit for research, benchmarking, evaluation, or high-end workstation deployments.

Other Quantization Variants

VariantLink
8-bitSirSahOl/glm-edge-4b-chat-mlx-8bit
16-bitSirSahOl/glm-edge-4b-chat-mlx-16bit

LM Studio & Local Inference Setup Guide

To prevent runaway loops and ensure correct conversational turn-taking, configure custom stop strings in your local inference runtime.

Custom Stop Strings Configuration

Ensure the following sequence tokens are configured as strict stop boundaries:

  1. <|user|>
  2. <|observation|>
  3. <|endoftext|>

Option A: Automatic Preset (Recommended for LM Studio)

Create a custom prompt preset JSON file named GLM-Edge.json in your LM Studio config directory:

  • macOS / Linux: ~/.lmstudio/config-presets/GLM-Edge.json
  • Windows: %USERPROFILE%\.lmstudio\config-presets\GLM-Edge.json
{
  "name": "GLM-Edge",
  "inference_params": {
    "pre_prompt": "You are a helpful, respectful, and honest assistant.",
    "input_prefix": "<|user|>\n",
    "input_suffix": "",
    "pre_prompt_prefix": "<|system|>\n",
    "pre_prompt_suffix": "\n",
    "antiprompt": [
      "<|user|>",
      "<|observation|>",
      "<|endoftext|>"
    ],
    "stopStrings": [
      "<|user|>",
      "<|observation|>",
      "<|endoftext|>"
    ],
    "temperature": 0.7,
    "max_tokens": 2048
  }
}

Restart LM Studio, load SirSahOl/glm-edge-4b-chat-mlx-16bit, and select "GLM-Edge" from the Prompt Template dropdown.

Option B: Manual LM Studio Configuration

  1. Load SirSahOl/glm-edge-4b-chat-mlx-16bit in LM Studio.
  2. In the right-hand Advanced Configuration / Inference Parameters panel:
    • Stop Strings (antiprompt / stopStrings): Add <|user|>, <|observation|>, <|endoftext|>
    • System Prefix: <|system|>\n
    • System Suffix: \n
    • User Prefix: <|user|>\n
    • Assistant Suffix: \n<|assistant|>\n

Option C: Ollama Modelfile Setup

Create a Modelfile to run this model in Ollama:

FROM SirSahOl/glm-edge-4b-chat-mlx-16bit

PARAMETER stop "<|user|>"
PARAMETER stop "<|observation|>"
PARAMETER stop "<|endoftext|>"
PARAMETER temperature 0.7

TEMPLATE """{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
"""

Create and run with Ollama:

ollama create glm-edge -f Modelfile
ollama run glm-edge

Conversion Details

PropertyValue
Source ModelTHUDM/glm-edge-4b-chat
Quantization16-bit
mlx-lm Version0.31.3
Conversion Time19.78s
Output Size8.1 GB
Date2026-09-20T16:32:30.700543+00:00

Reproduction

To reproduce this conversion:

pip install mlx-lm==0.31.3
python3 -m mlx_lm.convert --hf-path /root/.cache/huggingface/hub/models--THUDM--glm-edge-4b-chat/snapshots/a1817f2ab339ecdd8497c4d752ea71a65299f29a --mlx-path /opt/mlx-foundry/output/glm-edge-4b-chat-mlx-16bit

Limitations & Known Issues

  • 4-bit group-wise quantization introduces minor precision loss compared to unquantized weights; for deep mathematical derivations or precision-critical reasoning, test the 8-bit or 16-bit variants.
  • High context sequences (>32K tokens) require sufficient unified memory headroom; ensure unified memory is not overcommitted.
  • This is a weight-only MLX conversion designed specifically for Apple Silicon GPUs (M1/M2/M3/M4 series).

License

This model conversion inherits the license of the source model: other.

See the original model card for full license details.


Changelog

VersionDateChanges
v1.02026-09-20Initial conversion

Converted with MLX Foundry — a professional pipeline for converting models to Apple MLX format.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
GlmForCausalLM
Ревизия весов
a2d9e61

0 моделей