Характеристики

Лицензия: MIT
Базовая модель: GLM-5.3
Библиотека: gguf
Опубликована: 29 авг 2026

Ссылки

Hugging Face

GLM-5.3-NVFP4-GGUF

emwesoft

Генерация текстаТекст → текст8 профессий

Крупная модель GLM-5.3 в формате NVFP4 GGUF для генерации текста и диалогов в llama.cpp.

89скачиваний за 30 дней0лайковвеса обновлены29 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

GLM-5.3 NVFP4 GGUF — это квантованная в формате NVFP4 сборка модели GLM-5.3 от Z.ai, подготовленная incoai и опубликованная emwesoft в формате GGUF для запуска через llama.cpp. Модель относится к семейству glm-dsa и имеет архитектуру на 753 млрд параметров с 78 блоками и 256 экспертами. Веса NVFP4 сохранены без повторной квантизации; размер набора файлов — около 445 ГБ.

Модель предназначена для генерации текста и диалогов, включая ответы с вызовом инструментов при корректной поддержке шаблона чата средой запуска. Для работы требуется llama.cpp с поддержкой glm-dsa и GGML_TYPE_NVFP4. Эта сборка не содержит MTP head, поэтому режим draft-mtp недоступен; README приводит измерения скорости на мощной многовидеокартной конфигурации, а не универсальную оценку производительности.

Лицензия — MIT. Указанные в README версии llama.cpp требуют нескольких исправлений, которые на момент публикации ещё не вошли в upstream: без них могут не работать вызовы инструментов, подключение DFlash и разбор некоторых потоковых ответов. Модель рассчитана на текстовый ввод и текстовую генерацию; README описывает возможность контекста 400K в приведённой конфигурации.

Сценарии применения

генерация ответов в диалоговом чат-боте
подготовка и продолжение текстов
создание ответов с вызовом инструментов при поддерживаемом шаблоне чата

Ограничения

Для запуска нужна llama.cpp с поддержкой glm-dsa и GGML_TYPE_NVFP4, а заявленные в README сценарии требуют ещё не включённых в upstream исправлений. В этой сборке нет MTP head, а веса занимают около 445 ГБ, поэтому запуск требует значительных ресурсов.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLM-5.3 753B — NVFP4 GGUF (no MTP)

Native GGUF of incoai/GLM-5.3-NVFP4, the vendor's ModelOpt NVFP4 repack of zai-org/GLM-5.3 (753B, glm-dsa, 78 blocks, hidden 6144, 256 experts). The NVFP4 weights are kept as NVFP4 — this is not a requantisation.

445 GB, 10 shards. block_count 78, 1947 tensors, 225 NVFP4 tensors.

Related repos


With MTP head	`emwesoft/GLM-5.3-NVFP4-MTP-GGUF` — adds block 78, enables `--spec-type draft-mtp`
DFlash2 drafters	`emwesoft/GLM-5.3-DFlash2-GGUF` — speculative decoding for this model

This variant has no MTP head, so --spec-type draft-mtp is unavailable. Use the DFlash2 drafters for speculative decoding, or the MTP repo above.

Engine requirements

llama.cpp with glm-dsa + GGML_TYPE_NVFP4. Three fixes are not yet upstream:

jinja numeric attribute access (obj.0) — GLM-5.3's chat template uses m.content.0.output. Without it the template throws, caps_get() swallows it, supports_tool_calls reports false, and every tool call comes back as plain text.
glm-dsa layer-input exposure — DFlash needs res->t_layer_inp[il]; without it attaching a drafter aborts on the first decode with GGML_ASSERT(t_layer_inp[il] != nullptr).
Whitespace tolerance before </tool_call> — a stray newline makes the streaming parser recognise a tool call then lose it, aborting from compute_diffs.

Measured throughput

2x RTX PRO 6000 Blackwell + 4x RTX 3090 + 251 GB RAM, 400K context, -t 36 -tb 40, experts partly CPU-resident (the weights do not fit in 288 GB of VRAM):

config	acceptance	decode
MTP head, `n-max 3`	74.9% (mean len 3.24)	9.3-12.2 tok/s
DFlash2 Q8_0, `n-max 4`	67.7% (mean len 3.69)	7.6-12.8 tok/s
no speculation	-	~10 tok/s

Throughput is prompt-dependent because acceptance is. Threads matter: on a 24-core/48-thread CPU, -t 48 collapsed decode to 0.5 tok/s — the ggml threadpool busy-spins and starves the CUDA submission thread. Leave headroom.

Sampling

From generation_config.json: temperature 1.0, top_p 0.95. The template exposes low/high/max reasoning effort only; anything else becomes max, and thinking cannot be disabled.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

Даже самый компактный квант не помещается в 2 × 80 ГБ.

Ревизия весов: 0985cbf