/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
222 млн
Лицензия
MIT
Архитектура
glm_moe_dsa · dense
Базовая модель
GLM-5.3
Библиотека
transformers
Опубликована
14 сен 2026

GLM-5.3-0.6B-A0.4B

Генерация текстаТекст → текст3 профессии

Экспериментальная компактная версия GLM-5.3 для тестирования архитектуры и генерации текста.

1 068скачиваний за 30 дней1лайквеса обновлены14 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-5.3-0.6B-A0.4B — уменьшенная экспериментальная версия GLM-5.3, созданная для тестирования и разработки. Модель основана на zai-org/GLM-5.3 и сохраняет архитектуру glm_moe_dsa: сочетает плотные и разреженные MoE-слои, Multi-head Latent Attention и DeepSeek Sparse Attention. Веса имеют формат bfloat16; модель содержит около 0,62 млрд параметров, из которых активируется примерно 0,43 млрд.

Число слоёв и размеры модели сокращены, а веса случайно инициализированы, затем дообучены на небольшом учебном текстовом наборе. Модель предназначена для экспериментов с загрузкой, генерацией текста и разработкой инструментов на базе архитектуры GLM-5.3; метаданные указывают поддержку диалогового режима и контекст до 1 048 576 токенов. Лицензия — MIT.

Это тестовый чекпойнт, а не полноценная уменьшенная замена исходной модели: из-за случайной инициализации и малого объёма обучения качество и пригодность для практических задач ограничены. В чекпойнте отсутствует слой многотокенного предсказания исходной модели.

Сценарии применения

  • Проверка загрузки и генерации в Transformers
  • Эксперименты с архитектурой GLM MoE DSA
  • Разработка и тестирование инструментов для GLM-5.3

Ограничения

Модель создана для тестирования и обучена на небольшом учебном наборе, поэтому качество ответов для практического применения не гарантируется. Она уменьшена и отличается от исходной модели отсутствующим MTP-слоем.

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-5.3-0.6B-A0.4B

This is a tiny version of zai-org/GLM-5.3 created for testing and development.

Model Details

  • Base Model: zai-org/GLM-5.3
  • Architecture: glm_moe_dsa (GLM MoE with DeepSeek Sparse Attention)
  • Total Parameters: 0.62B
  • Activated Parameters: ~0.43B

This tiny model preserves the full GLM-5.3 architecture: Multi-head Latent Attention (MLA) with low-rank Q/KV projections, the DeepSeek Sparse Attention (DSA) lightning indexer, a mix of dense and MoE (sparse) MLP layers, routed experts with a sigmoid gate and e_score_correction_bias, and a shared expert. Both full and shared indexer types are represented.

Configuration Changes

The following parameters were reduced from the original model:

ParameterOriginalTiny
num_hidden_layers786
first_k_dense_replace31
hidden_size61441024
intermediate_size (dense MLP)122882048
moe_intermediate_size2048512
n_routed_experts25632
num_experts_per_tok88
n_shared_experts11
num_attention_heads648
num_key_value_heads648
q_lora_rank2048512
kv_lora_rank512512
index_n_heads328
index_head_dim128128
num_nextn_predict_layers (MTP)10
vocab_size154880154880

MLA head dimensions (qk_nope_head_dim=192, qk_rope_head_dim=64, v_head_dim=256, head_dim=64) and the indexer index_head_dim/index_topk are kept identical to the base model to preserve the attention structure.

Checkpoint Structure

Single-shard safetensors checkpoint (model.safetensors). The tensor naming is analogous to the original GLM-5.3 checkpoint (model.embed_tokens, lm_head, MLA projections q_a_proj/q_b_proj/kv_a_proj_with_mqa/kv_b_proj, the DSA self_attn.indexer.* tensors, per-expert mlp.experts.N.{gate,up,down}_proj, mlp.shared_experts.*, and the mlp.gate router). Two expected differences: this model is stored in bfloat16 rather than FP8, so it has no weight_scale_inv scale tensors; and the multi-token-prediction (MTP) layer is omitted (num_nextn_predict_layers=0), so it has no eh_proj/enorm/hnorm/ shared_head tensors.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("GLM-5.3-0.6B-A0.4B", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("GLM-5.3-0.6B-A0.4B")

input_ids = tokenizer("According to all known laws", return_tensors="pt").input_ids.to(model.device)
output = model.generate(input_ids, max_new_tokens=20)
print(tokenizer.decode(output[0]))

Creation Process

This model was created using the llm-compressor create-tiny-model claude skill.

  1. Inspected the glm_moe_dsa config to identify the layer/expert/attention controls.
  2. Reduced layer count, hidden/FFN sizes, expert count, and attention/indexer heads to reach ~0.6B parameters while keeping at least one dense and one MoE layer and both indexer types. Weights were randomly initialized (with a fixup pass for norms/biases).
  3. Fine-tuned on a small toy text dataset until perplexity converged well below target.
  4. Verified the checkpoint tensor structure matches the base model (aside from FP8 scales and the MTP layer).
  5. Validated loading, perplexity, and generation.

Notes

  • Stored in bfloat16 (the base model ships FP8-quantized weights).
  • The MTP layer is intentionally omitted.
  • Validation output:
Success: 1.0138424634933472 <= 10.0

==================================================
Generating sample text:
According to all known laws of aviation, there is no way a bee should be able to fly.
==================================================

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GlmMoeDsaForCausalLM
Ревизия весов
20aae34

0 моделей