/ Модель

Характеристики

Контекст
1 048 576 токенов
Лицензия
MIT
Архитектура
glm5_next · dense
Базовая модель
GLM-5.3-Flash-BF16
Библиотека
exllamav3
Опубликована
4 сен 2026

GLM-5.3-Flash-4.65bpw-exl3

Изображение и текст → текст15 профессий

GLM-5.3-Flash — EXL3 4.65bpw — это квантизированная версия модели GLM-5.3-Flash-BF16, разработанной Z.ai.

765скачиваний за 30 дней0лайковвеса обновлены4 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 «Изображение → 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

Квантизация выполнена в формате EXL3 с использованием инструментария exllamav3; модель предназначена для запуска через ExLlamaV3 версии 1.4.5 или новее. В сборку включены vision tower и компонент MTP для ускорения генерации.

Модель рассчитана на задачи обработки и генерации текста, а также на мультимодальные сценарии с изображениями. В карточке заявлены английский и китайский языки, а максимальный контекст составляет 262 144 токена. Размер модели на диске — около 189,6 ГБ, эффективная разрядность — 4,67 bpw; для загрузки требуется примерно 210 ГиБ VRAM плюс значительный объём памяти под кеш. Конфигурация содержит 45 декодерных слоёв и 35 файлов-шардов.

К сильным сторонам относятся существенное снижение требований к памяти по сравнению с исходной BF16-версией, включённая поддержка MTP и vision tower, а также высокая скорость обработки длинных контекстов на многокарточной конфигурации. Ограничения — очень высокие аппаратные требования, необходимость совместимого рантайма ExLlamaV3 и корректной настройки распределения GPU; приведённые показатели производительности относятся к конкретной конфигурации из четырёх ускорителей CMP 170HX. Модель и её квантизированная версия распространяются по лицензии MIT.

Для каких профессий подходит15

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 — EXL3 4.65bpw

EXL3 quantization of GLM-5.3-Flash.

Quantized from zai-org/GLM-5.3-Flash-BF16 (the 642 GB BF16 master), not the default FP8 checkpoint — so the trellis is fitted to the original weights rather than to already-rounded ones.

Requires ExLlamaV3 v1.4.5 or newer.

Details

Size on disk189.6 GB / 176.6 GiB, 35 shards
Effective bitrate4.67 bpw (requested 4.65 with -hq), head 6 bpw
Conversionexllamav3 v1.4.5, -b 4.65 -hq, default 250×2048 calibration
MTPincluded, inline as layers.45 — no separate mtp.safetensors
Vision towerincluded

Per-layer reconstruction over the 45 decoder layers: mean rfn 0.011789, mean sqnr 46.19 dB. -hq allocates unevenly — layers 0-14 and 30-44 land at ~5.04-5.68 bpw while layers 15-29 sit at ~4.07-4.09, so read per-layer error against its own bitrate rather than a single threshold.

Running it

Needs roughly 210 GiB of VRAM for weights plus a large cache.

Measured on 4× CMP 170HX (64 GB each, sm_80) under TabbyAPI:

metricvalue
prefill924 tok/s @ 132,045-token prompt
decode29.7 tok/s
context262,144 (cache_size 1,048,576)
VRAM used214,796 MiB / 209.8 GiB
MTP acceptance61-74%

Two notes if you serve it with TabbyAPI:

  • MTP is inline. draft_mode: mtp finds it with no draft_model_name; the log should say Using main model MTP component for drafting. A benign !! Replaced 6 tensors / Overriding ...layers.45.* block at load is expected (dedup across the last two shards).
  • Use an explicit gpu_split, not autosplit. Autosplit fills cards sequentially and packed three of four to ~99%, leaving no room for the KDA prefill workspace: 625 tok/s prefill with 996 MiB free at peak. gpu_split_auto: false with gpu_split: [54, 54, 54, 54] gave 924 tok/s and 5.6 GB free — same footprint, 48% faster.

Credits

Model by Z.ai. Quantization format and tooling by turboderp. Licensed MIT, as upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм · exllamav3

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
c3473be

0 моделей