/ Модель

Характеристики

Контекст
1 048 576 токенов
Лицензия
MIT
Архитектура
glm5_next · dense
Базовая модель
GLM-5.3-Flash
Библиотека
exllamav3
Опубликована
30 авг 2026

GLM-5.3-Flash-EXL3-4bpw-MUL1

Генерация текстаТекст → текст10 профессий

Terra3312/GLM-5.3-Flash-EXL3-4bpw-MUL1 — квантизированная версия GLM-5.3-Flash, разработанного Z.ai, созданная с использованием ExLlamaV3.

322скачиваний за 30 дней0лайковвеса обновлены30 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 эффективного локального вывода, в частности для ускорения однопоточной генерации на крупных MoE-моделях. Она поддерживает задачи генерации текста и рассчитана на работу с ExLlamaV3; заявлены английский и китайский языки. Модель также включает vision-компонент, однако подробности о поддерживаемых визуальных сценариях в README не указаны.

Основной языковой блок использует формат EXL3 с точностью 4,0 bpw, vision-компонент и lm_head — 6 bpw, MTP — 4 bpw. Применяется кодовая книга mul1, совместимая с объединённым путём INT8-активаций GEMV в ExLlamaV3. Это может повысить производительность однопоточного декодирования на совместимых GPU и конфигурациях, но фактическая скорость зависит от архитектуры GPU, длины контекста, tensor parallel, версии среды и нагрузки. Размер модели, архитектура MoE в деталях, максимальная длина контекста и точные характеристики мультимодальности не указаны.

Для работы требуется полный каталог репозитория и свежая сборка ExLlamaV3 с поддержкой GLM-5.3-Flash и mul1. Контрольные данные квантизации, промпты, seed и точный commit ExLlamaV3 не были сохранены. Это неофициальный релиз Z.ai или ExLlamaV3. Исходная модель распространяется по лицензии MIT; применимые условия следует уточнять в файле LICENSE и оригинальном репозитории.

Для каких профессий подходит10

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-Flash EXL3 4 bpw MUL1

An EXL3 quantization of zai-org/GLM-5.3-Flash, created with the mul1 codebook for ExLlamaV3.

This checkpoint is intended for efficient local inference with ExLlamaV3, with particular interest in single-stream decode performance on large MoE models.

The main language-model weights use 4.0 bpw. The vision component and lm_head use 6 bpw.

Quantization details

  • Base model: zai-org/GLM-5.3-Flash
  • Format: EXL3
  • Main language-model bitrate: 4.0 bpw
  • Vision bitrate: 6 bpw
  • lm_head bitrate: 6 bpw
  • MTP bitrate: 4 bpw
  • Codebook: mul1
  • EXL3 metadata version: 1.4.4
  • Output scales: always
  • Quantizer: ExLlamaV3
  • Calibration metadata: rows=250, cols=2048

The calibration dataset, prompts, random seed, and exact ExLlamaV3 commit were not recorded in the checkpoint.

The checkpoint also preserves the original model-side quantization metadata:

  • Original format: FP8
  • FP8 format: e4m3
  • Activation scheme: dynamic
  • Weight block size: [128, 128]

Why MUL1?

The mul1 codebook is supported by ExLlamaV3's fused INT8-activation GEMV path.

For supported tensors, GPUs, and tensor shapes, this path may improve single-stream decode performance. Actual performance depends on GPU architecture, context length, tensor parallel configuration, runtime version, and workload.

To test the INT8 GEMV path:

EXL3_INT8_GEMV=2

To disable it:

EXL3_INT8_GEMV=0

The current ExLlamaV3 runtime uses the INT8 GEMV path by default where supported. See the ExLlamaV3 environment-variable documentation.

Usage

Use a recent ExLlamaV3 build with GLM-5.3-Flash and mul1 support.

Load the complete repository directory, including:

  • config.json
  • quantization_config.json
  • model.safetensors.index.json
  • all model-*.safetensors files
  • tokenizer and processor files

This checkpoint is intended for ExLlamaV3-compatible local inference and is not an official release from Z.ai or ExLlamaV3.

Credits

License

The original GLM-5.3-Flash model is released under the MIT License. Please refer to the included LICENSE file and the original model repository for the applicable terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · exllamav3

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
66a0ab5

0 моделей