/ Модель

Характеристики

Контекст
202 752 токена
Параметры
23,4 млрд
Лицензия
MIT
Архитектура
glm4_moe · dense
Базовая модель
GLM-4.6
Библиотека
transformers

GLM-4.6-REAP-268B-A32B

Генерация текстаТекст → текст10 профессий

Сжатая методом REAP языковая модель GLM-4.6 для генерации текста и кода, вызова функций и агентных задач с длинным контекстом.

154скачиваний за 30 дней12лайковвеса обновлены24 окт 2025

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-4.6-REAP-268B-A32B — сжатая версия GLM-4.6 от Cerebras, созданная методом REAP (Router-weighted Expert Activation Pruning). Это причинная языковая модель со разреженной архитектурой Mixture-of-Experts: после удаления 25% экспертов в ней осталось 120 экспертов из 160; всего заявлено 268 млрд параметров и 32 млрд активируемых на токен. Модель принимает текст и предназначена для генерации текста и кода, рассуждений, работы с инструментами и агентных сценариев. Контекст составляет до 202 752 токенов; в метаданных указан английский язык.

По данным карточки, сжатие сокращает объём модели примерно на 25% относительно исходной GLM-4.6 и сохраняет близкое качество генерации кода, вызова функций и агентных задач. Для запуска указана совместимость с vLLM. README не приводит результаты оценки для этой BF16-версии, поэтому заявления о качестве здесь основаны на описании автора. Лицензия — MIT.

Сценарии применения

  • генерация и дополнение кода
  • решение задач агентного программирования
  • вызов функций в диалоговом приложении
  • анализ больших репозиториев кода
  • рассуждения и генерация текста с длинным контекстом

Ограничения

В README отсутствуют результаты оценки для этой BF16-версии; заявления о близком к исходной модели качестве не сопровождаются численными результатами. Для развёртывания автор рекомендует последнюю версию vLLM.

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-4.6-REAP-268B-A32B

✨ Highlights

Introducing GLM-4.6-REAP-268B-A32B, a memory-efficient compressed variant of GLM-4.6 that maintains near-identical performance while being 25% lighter.

Note: this is a BF16 version for more accurate downstream low-bit quantization. An FP8 version is also available on HF.

This model was created using REAP (Router-weighted Expert Activation Pruning), a novel expert pruning method that selectively removes redundant experts while preserving the router's independent control over remaining experts. Key features include:

  • Near-Lossless Performance: Maintains almost identical accuracy on code generation, agentic coding, and function calling tasks compared to the full 355B model
  • 25% Memory Reduction: Compressed from 355B to 268B parameters, significantly lowering deployment costs and memory requirements
  • Preserved Capabilities: Retains all core functionalities including code generation, agentic workflows, repository-scale understanding, and function calling
  • Drop-in Compatibility: Works with vanilla vLLM - no source modifications or custom patches required
  • Optimized for Real-World Use: Particularly effective for resource-constrained environments, local deployments, and academic research

📋 Model Overview

GLM-4.6-REAP-268B-A32B has the following specifications:

  • Base Model: GLM-4.6
  • Compression Method: REAP (Router-weighted Expert Activation Pruning)
  • Compression Ratio: 25% expert pruning
  • Type: Sparse Mixture-of-Experts (SMoE) Causal Language Model
  • Number of Parameters: 268B total, 32B activated per token
  • Number of Layers: 92
  • Number of Attention Heads (GQA): 96 for Q and 8 for KV
  • Number of Experts: 120 (uniformly pruned from 160)
  • Number of Activated Experts: 8 per token
  • Context Length: 202,752 tokens
  • License: MIT

📊 Evaluations

TBD for BF16 model. Evalulation results available for the FP8 variant.

For more details on the evaluation setup, refer to the REAP arXiv preprint.


🚀 Deployment

You can deploy the model directly using the latest vLLM (v0.11.0), no source modifications or custom patches required.

vllm serve cerebras/GLM-4.6-REAP-268B-A32B \
    --tensor-parallel-size 8 \
    --tool-call-parser glm45 \
    --enable-auto-tool-choice \
    --enable-expert-parallel

If you encounter insufficient memory when running this model, you might need to set a lower value for --max-num-seqs flag (e.g. set to 64).

🧩 Model Creation

This checkpoint was created by applying the REAP (Router-weighted Expert Activation Pruning) method uniformly across all Mixture-of-Experts (MoE) blocks of GLM-4.6, with a 25% pruning rate.

How REAP Works

REAP selects experts to prune based on a novel saliency criterion that considers both:

  • Router gate values: How frequently and strongly the router activates each expert
  • Expert activation norms: The magnitude of each expert's output contributions

This dual consideration ensures that experts contributing minimally to the layer's output are pruned, while preserving those that play critical roles in the model's computations.

Key Advantages

  • One-Shot Compression: No fine-tuning required after pruning - the model is immediately ready for deployment
  • Preserved Router Control: Unlike expert merging methods, REAP maintains the router's independent, input-dependent control over remaining experts, avoiding "functional subspace collapse"
  • Generative Task Superiority: REAP significantly outperforms expert merging approaches on generative benchmarks (code generation, creative writing, mathematical reasoning) while maintaining competitive performance on discriminative tasks

Calibration

The model was calibrated using a diverse mixture of domain-specific datasets including:

📚 For more details, refer to the following resources:


⚖️ License

This model is derived from zai-org/GLM-4.6 and distributed under the MIT license.


🧾 Citation

If you use this checkpoint, please cite the REAP paper:

@article{lasby-reap,
  title={REAP the Experts: Why Pruning Prevails for One-Shot MoE compression},
  author={Lasby, Mike and Lazarevich, Ivan and Sinnadurai, Nish and Lie, Sean and Ioannou, Yani and Thangarasa, Vithursan},
  journal={arXiv preprint arXiv:2510.13999},
  year={2025}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4MoeForCausalLM
Ревизия весов
419f2ed

0 моделей