/ Модель

Характеристики

Контекст
1 048 576 токенов
Лицензия
MIT
Архитектура
glm5_next · dense
Базовая модель
GLM-5.3-Flash-BF16
Библиотека
transformers
Опубликована
27 авг 2026

GLM-5.3-Flash-NVFP4

Генерация текстаТекст → текст11 профессий

local-inference-lab/GLM-5.3-Flash-NVFP4 — квантованная и дистиллированная версия модели zai-org/GLM-5.3-Flash-BF16.

5 634скачиваний за 30 дней44лайкавеса обновлены16 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

Модель предназначена для генерации текста и диалоговых сценариев, поддерживает английский и китайский языки, а также мультимодальные задачи с использованием встроенного vision encoder. Архитектура сохранена: 45 decoder-слоёв, включая 3 плотных слоя и 42 MoE-слоя с 288 маршрутизируемыми экспертами в каждом, из которых для каждого токена активируются 8, дополнительно используется общий эксперт. Механизм внимания сочетает linear attention и DeepSeek Sparse Attention; заявленный размер модели на диске составляет около 199 ГБ. Длина контекста в README не указана.

Ключевая особенность модели — quantization-aware distillation: веса маршрутизируемых экспертов обучались с учётом NVFP4-квантования, чтобы компенсировать ошибки низкой точности и приблизить ответы к исходной BF16-модели. Экспертные gate, up и down projections хранятся в NVFP4, вспомогательный MTP-модуль использует MXFP8, а остальные основные компоненты преимущественно сохраняют BF16 или FP32. Сильными сторонами являются сочетание MoE-архитектуры, дистилляции и низкобитного представления весов при сохранении vision encoder и MTP. Ограничения включают значительный объём модели, дополнительные требования к памяти для KV-кэша и буферов, а также необходимость runtime с поддержкой архитектуры glm5_next и смешанного формата ModelOpt NVFP4/MXFP8, включая покомпонентные масштабы активаций. Модель распространяется по лицензии MIT.

Для каких профессий подходит11

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

Model Description

local-inference-lab/GLM-5.3-Flash-NVFP4 is a quantization-aware distilled version of zai-org/GLM-5.3-Flash-BF16. The student is trained against the original BF16 teacher with NVFP4 expert weights in its forward pass, learning to compensate for quantization error rather than relying on post-training quantization alone.

The architecture is unchanged: 45 decoder layers, including three dense layers and 42 MoE layers with 288 routed experts each, eight active per token, and one shared expert. Attention combines linear attention and DeepSeek Sparse Attention. The release occupies approximately 199 GB on disk.

What's quantized

ComponentStored formatDistillation
Routed decoder experts: gate, up and down projectionsNVFP4Trained
Dense MLPs in layers 0–2 and shared expertsBF16Trained
Router projection matricesBF16Trained
Decoder and final RMSNorm weightsBF16Trained
Routing correction biasesFP32Updated during distillation
Attention, residual-stream mixing, token embeddings and LM headOriginal BF16/FP32Frozen
Vision encoderBF16Unchanged; outside text distillation
Auxiliary MTP routed expertsMXFP8Unchanged; outside text distillation

NVFP4 stores 4-bit E2M1 values with FP8 E4M3 block scales per 16 elements and FP32 global scales. Gate/up projections share a global scale within each expert; down projections have their own. The scales are recomputed from the trained weights during quantization.

The multi-token prediction (MTP) module is retained from the mixed-precision base checkpoint. Its routed experts use MXFP8 E4M3 values with power-of-two block scales per 32 elements; its other parameters retain their original precision. The vision encoder and MTP module were not distilled.

Quantization-aware distillation

The BF16 teacher generates chat responses and supplies probability and hidden-state targets for the student.

During training, the student's routed-expert weights are quantized to NVFP4 and reconstructed for each forward pass. Gradients update the underlying BF16 weights so their low-precision representations better match the teacher's next-token probabilities and final hidden states.

The student uses its own expert routing during training. Routers, shared experts, dense MLPs and normalization weights are also adapted, allowing the unquantized components to compensate alongside the NVFP4 experts.

Training data

The distillation corpus contains approximately 200M prompt-and-response tokens. Assistant responses come from the BF16 GLM teacher using its native chat template.

Activation calibration

Distillation uses BF16 activations. For NVFP4 activation quantization at inference, expert-specific input scales are calibrated separately on the 200M-token chat corpus.

Calibration uses natural routing and covers all 12,096 layer/expert pairs without fallback scales. Gate/up share their expert's input range; down uses the post-activation range. The serving configuration also retains dynamic MXFP8 activation quantization for MTP routed experts.

Requirements

Use a runtime supporting the glm5_next architecture and this mixed NVFP4/MXFP8 ModelOpt layout, including per-expert activation scales. The tokenizer, upstream chat template, generation settings, vision assets and MTP tensors are included. KV cache and runtime buffers require memory in addition to the model weights.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
175ae8c

0 моделей