/ Модель

Характеристики

Контекст
1 048 576 токенов
Размер весов
257 ГБ
Лицензия
MIT
Архитектура
glm5_next · dense
Базовая модель
GLM-5.3-Flash
Библиотека
mlx
Опубликована
26 авг 2026

GLM-5.3-Flash-Alis-MLX-6bit

Генерация текстаТекст → текст11 профессий

GLM-5.3-Flash-Alis-MLX-6bit — это 6-битная квантованная версия модели GLM-5.3-Flash, разработанной организацией zai-org и конвертированная avlp12 в формат MLX для запуска на устройствах Apple Silicon.

410скачиваний за 30 дней1лайквеса обновлены31 авг 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

Модель предназначена для генерации текста и поддерживается библиотекой mlx-vlm с архитектурой glm5_next. Базовая модель имеет конфигурацию 320B-A18B и архитектуру Mixture-of-Experts. В README также указана vision tower в формате bfloat16, однако подробности поддерживаемых визуальных сценариев и языков не приведены.

Квантование выполнено в 6 бит с использованием схемы g64 affine для экспертов, attention, dense/shared MLP, embeddings и output head. Маршрутизатор MoE, correction bias, параметры mHC и KDA decay, а также отдельные нормы, свёртки и другие компоненты сохранены без 6-битного квантования; MTP layer 45 удалён. На M3 Ultra 512GB заявлена скорость декодирования около 24,6–26,3 токена в секунду в зависимости от длины промпта. По приведённым измерениям эта сборка имеет меньшую ошибку относительно 8-битной версии, чем указанные 4-битные варианты, но результаты получены на закрытой тестовой панели и не сопоставимы напрямую с оценками относительно BF16.

Модель ориентирована на локальный инференс на Apple Silicon и требует mlx-vlm с поддержкой glm5_next. Для корректной работы рекомендуются ветки с исправлениями swiglu clamp, fp32-обработки вспомогательных параметров mHC/KDA и eps. Преимуществами являются сохранение точности маршрутизации MoE и высокая для 6-битной сборки скорость работы; ограничениями — очень большой размер базовой модели, требования к памяти и зависимость от актуальной поддержки MLX. Модель распространяется по лицензии MIT.

Для каких профессий подходит11

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-Alis-MLX-6bit

MLX (mlx-vlm tree) 6-bit build of GLM-5.3-Flash (320B-A18B, glm5_next), converted by streaming dequant of the official FP8 release (84c6a6aa).

This replaces the withdrawn earlier build (which quantized the MoE router and decoded at ≈5.5 tok/s). This build keeps the router (mlp.gate) and correction bias unquantized/fp32, the mHC arrays and KDA A_log/dt_bias in fp32 as stored, and the vision tower in bf16; the MTP layer (45) is dropped (a standalone MTP drafter is published separately as avlp12/GLM-5.3-Flash-Alis-MTP-Drafter). Conversion receipts (state.json, finalize_receipt.json) are in-repo.

Recipe

6-bit g64 affine on experts, attention, dense/shared MLPs, embeddings and head; router / mHC / KDA decay params / norms / convs as stored; vision bf16. Per-module map in config.json.

Measured (M3 Ultra 512GB)

promptdecode tok/s (oMLX SSE)
p51226.3
p204825.3
p409624.6

Held-out paired KL vs the 8-bit teacher of this family (en/ko/code, ctx-2048, same harness as the 4-bit builds): 0.0269 / 0.0226 / 0.0177, weighted mean ≈ 0.0226 — versus 0.0569 for the 4-bit QUASAR build and 0.0622 for 4-bit RTN. Same comparability caveat as the 4-bit card: quantized-teacher, private panel — not comparable to BF16-teacher KLD numbers elsewhere. Add MLX_MAX_MB_PER_BUFFER=2048 MLX_MAX_OPS_PER_BUFFER=100000 to the serving environment for ≈+12% decode on M3 Ultra. The fused-KDA Metal kernel and long-context gathered-prefill findings documented on the 4bit card (+20% decode, +50% prefill at 131k, both bit-identical) are architecture-level and apply to this build too; measured on the 4-bit tree.

For the fastest 4-bit-class build of this family (QUASAR-init, held-out KL −8.5% vs 4-bit RTN), see avlp12/GLM-5.3-Flash-Alis-MLX-4bit.

Runtime

Requires mlx-vlm with glm5_next (merged 2026-08-26); the text-stack correctness fixes (swiglu clamp, fp32 mHC/KDA aux, eps) live in the PR #2044/#2074 branches — recommended until merged.

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, на GPU NVIDIA они не запускаются.

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
8519631

0 моделей