/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-5.3-Flash
Опубликована
17 сен 2026

GLM-5.3-Flash-TQ3_4S

Генерация текстаТекст → текст13 профессий

Текстовая GGUF-квантизация GLM-5.3-Flash для диалоговой генерации, программирования и вызова инструментов с TurboQuant и спекулятивным декодированием MTP.

439скачиваний за 30 дней5лайковвеса обновлены25 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-5.3-Flash-TQ3_4S — текстовая GGUF-квантизация модели zai-org/GLM-5.3-Flash, подготовленная автором репозитория для запуска через llama.cpp с поддержкой TurboQuant. Используется архитектура Mixture of Experts: активны 8 из 288 маршрутизируемых экспертов на токен. Формат TQ3_4S имеет номинальную точность около 4 бит на вес; маршрутизируемые эксперты хранятся в 2-битном формате, внимание и общие эксперты — в 6-битном, а нормализации и смещения — в FP32. Веса занимают около 101,6 ГиБ и распределены по четырём GGUF-файлам.

Модель предназначена для диалоговой генерации текста, программирования и вызова инструментов. Сохранённая MTP (NextN) голова позволяет использовать спекулятивное декодирование без отдельной черновой модели. README приводит результаты тестов на NVIDIA GB10/DGX Spark и рекомендует контекст 40 960 токенов в поставляемой конфигурации; заявлена проверенная работа до 512 тыс. токенов на этом оборудовании. Поддерживаются английский и китайский языки. Эта сборка не содержит vision tower, поэтому не принимает изображения, хотя базовая модель поддерживает обработку изображений.

Для работы необходима публичная ветка TurboQuant runtime: основной llama.cpp не поддерживает тип тензора TQ3_4S. README отмечает необходимость пользовательского шаблона чата. Квантизация сокращает размер весов, но её влияние на качество может зависеть от задачи и оборудования; приведённые оценки получены на одной конфигурации и не гарантируют аналогичных результатов в других условиях. Лицензия — MIT.

Сценарии применения

  • написание и редактирование кода
  • ответы на вопросы в диалоговом формате
  • вызов инструментов по запросу пользователя
  • генерация текста на английском и китайском языках

Ограничения

Для запуска требуется TurboQuant runtime, поскольку основной llama.cpp не поддерживает тип тензора TQ3_4S; также необходим пользовательский шаблон чата. Сборка текстовая и не принимает изображения; приведённые показатели качества и скорости относятся к одной конфигурации оборудования.

Для каких профессий подходит13

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

thumbnail

GLM-5.3-Flash-TQ3_4S

GGUF quantization of zai-org/GLM-5.3-Flash using TQ3_4S — a TurboQuant 4-bit format (~4.0 BPW nominal) with per-tensor precision overrides — 2-bit routed experts, 6-bit attention & shared experts, with the MTP (NextN) head retained for native speculative decoding.

Files

Download all 4 shards into one directory and point llama-server at shard 1.

FileDescription
tq3_4s/GLM-5.3-Flash-TQ3_4S.gguf-00001-of-00004.ggufShard 1 (27.6 GiB)
tq3_4s/GLM-5.3-Flash-TQ3_4S.gguf-00002-of-00004.ggufShard 2 (27.8 GiB)
tq3_4s/GLM-5.3-Flash-TQ3_4S.gguf-00003-of-00004.ggufShard 3 (27.8 GiB)
tq3_4s/GLM-5.3-Flash-TQ3_4S.gguf-00004-of-00004.ggufShard 4 (18.5 GiB)
Total101.6 GiB · ~4.0 BPW

Text-only artifact. The upstream base is image-text-to-text, but this quant ships no vision tower — there is no mmproj to load.

Quantization

MoE experts tolerate aggressive compression because only 8 of 288 are active per token. This quantization exploits that asymmetry:

ComponentQuantRationale
Routed expert MLPiq2_s / q2_k2-bit, MoE-tolerant (8/288 active)
Shared experts + attentionq6_Kquality anchor
Norms / biasesf32precision-sensitive
Embeddings + outputq8_0quality anchor
attn_outputq8_0keep the residual path clean
blk.45 expertsq2_kno imatrix coverage (documented workaround)
MTP / NextN head (blk.45.nextn.*)q6_Kkeeps the draft accurate for speculative decode

Requantized from unsloth/GLM-5.3-Flash-GGUF Q8_0 shards with the Unsloth imatrix (covers blk.3–44).

Runtime Requirement

This model requires the public TurboQuant runtime fork (mainline llama.cpp does not support the TQ3_4S tensor type):

Recommended Settings (single GB10 / DGX Spark, 121 GB unified)

LLAMA_MTP_PROCESS_ONLY=1 llama-server \
  -m tq3_4s/GLM-5.3-Flash-TQ3_4S.gguf-00001-of-00004.gguf \
  --spec-type draft-mtp --spec-draft-n-max 1 \
  -np 1 -c 40960 -ub 8 -b 8 -fa on -lm none -ngl 47 \
  --jinja
  • --jinja is required (custom chat template).
  • LLAMA_MTP_PROCESS_ONLY=1 keeps the draft KV correct under deep context (without it, long-context MTP can hang).
  • Context: native spec is 1M; on one GB10 with -np 1 we validated serving up to 512K. -c 40960 is the benchmarked shipping config.
  • The blk.45.nextn.* MTP head enables native speculative decoding — no separate draft model needed.

Performance (NVIDIA GB10 / DGX Spark, 121 GB, full clock)

MetricValue
Decode (prose, temp 0.7, n=256, median of 3)19.5 tok/s
MTP acceptance (dn=1)100% deterministic · 87–90% prose
Size101.6 GiB
BPW~4.0 (nominal)
ngl47 (unified-memory box)
Context (shipping)40960 (validated to 512K)

Fits and serves on a single GB10 (121 GB unified) — no multi-GPU split needed.

Quality

Measured on the hardware above, greedy / temp 0.7 as noted.

SuiteScore
Hard86 (unit-test-pass, 86 coding tasks)77.9% (67/86)
Coding (internal quality suite)81.2 (9/12)
Toolcall90.0 (13/15)
Data extraction90.8 (12/15)
Instruction following90.0 (13/15)
Reasoning / math73.3 (11/15)
Quality composite85.1

Base Model

License

MIT — inherited from zai-org/GLM-5.3-Flash. Copyright (c) 2026 Z.AI Co., Ltd.

Tool Call Validation

Tested with --jinja under both --reasoning off and --reasoning on --reasoning-budget 2048. Tool-call aggregate 13/15 (90.0): correct tool selection from multiple candidates, no spurious calls on plain questions, and tool-response → final-answer without runaway loops.

Verify against your own server:

# Start the server (see Recommended Settings), then:
curl -s http://127.0.0.1:8085/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"model":"GLM-5.3-Flash-TQ3_4S","messages":[{"role":"user","content":"What is 27*43? Use the calculator tool."}],
       "tools":[{"type":"function","function":{"name":"calculator","description":"Eval math",
       "parameters":{"type":"object","properties":{"expression":{"type":"string"}},"required":["expression"]}}}]}'

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
4bce6a5

0 моделей