/ Модель

Характеристики

Лицензия
MIT
Архитектура
glm5_next_vision · dense
Базовая модель
GLM-5.3-Flash
Библиотека
transformers
Опубликована
17 сен 2026

GLM-5.3-Flash-Vision

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер GLM-5.3-Flash для извлечения признаков из изображений.

45скачиваний за 30 дней0лайковвеса обновлены17 сен 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-Flash Vision — извлечённый из GLM-5.3-Flash зрительный энкодер с обученным модулем объединения признаков. Репозиторий immanuelpeter содержит 24-блочный визуальный энкодер с размерностью скрытого состояния 1024, 16 головами внимания, размером изображения 448 и патчами 14×14; для пространственного позиционного кодирования используется axial 2D-RoPE. Патчи группируются блоками 2×2 и сжимаются из ширины 1024 до 4096, а свёрточный patch embedding имеет временной размер патча 2.

Модель предназначена для извлечения признаков изображений в Transformers. В репозитории находятся только визуальная часть и конфигурация препроцессора; проверка README утверждает побитовое совпадение всех 347 тензоров с закреплённым родительским чекпойнтом. Это дообученная/выделенная часть GLM-5.3-Flash, распространяемая в формате safetensors и исходной точности BF16. Лицензия — MIT. Метаданные не сообщают размер полного чекпойнта, длину контекста или поддерживаемые языки.

Сценарии применения

  • извлечение визуальных признаков для последующей обработки
  • подготовка представлений изображений для мультимодальной модели
  • кодирование изображений в конвейере на Transformers

Ограничения

Репозиторий содержит только визуальную часть модели; для полноценного мультимодального сценария могут потребоваться другие компоненты GLM-5.3-Flash. README не приводит оценки качества на наборах данных или количественные результаты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLM-5.3-Flash Vision

This repository packages the native vision encoder and learned merger from GLM-5.3-Flash.

Contents

FileTensorsWhat it holds
model.safetensors347Tower and learned merger, extracted from source shard 62
config.jsonVision-only Glm5NextVisionConfig
preprocessor_config.jsonGLM image preprocessing configuration

Architecture

ComponentDetails
Tower24 blocks, 1024 hidden, 16 heads, 4096 intermediate, patch size 14, image size 448, axial 2D-RoPE, silu
Patch embedConv3d, temporal patch size 2
Token compression2x2 spatial grouping of 1024-wide patches to 4096
Learned mergerLinear(4096, 4096) no bias, LayerNorm(4096), GELU, SwiGLU with Linear(4096, 10240) gate and up, Linear(10240, 4096) down, silu, clamp 10

Usage

See examples/inference.py for image feature extraction.

Validation

The parity script compares all 347 tensors with the pinned parent checkpoint using torch.equal.

Reproduction

The export script reads model.visual.* from shard 62 of zai-org/GLM-5.3-Flash, removes the prefix, and writes the original BF16 tensors. It copies the image section of the parent processor configuration.

Credits

Z.ai released the GLM-5.3-Flash weights and the native Transformers implementation.

License

MIT License, the same license as the source model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm5NextVisionModel
Ревизия весов
44a87fd

0 моделей