/ Модель

Характеристики

Контекст
1 048 576 токенов
Размер весов
334 ГБ
Лицензия
MIT
Архитектура
glm5_next · dense
Базовая модель
GLM-5.3-Flash
Библиотека
mlx
Опубликована
26 авг 2026

GLM-5.3-Flash-MLX-8bit

Изображение и текст → текст15 профессий

GLM-5.3-Flash-MLX-8bit — это квантованная 8-битная сборка модели GLM-5.3-Flash, разработанной организацией zai-org и адаптированной PipeNetwork для MLX на Apple Silicon.

1 317скачиваний за 30 дней4лайкавеса обновлены28 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

Модель относится к классу смесей экспертов (Mixture-of-Experts), имеет 320 млрд параметров, из которых активно используется 18 млрд (320B-A18B). Архитектура включает 34 слоя Kimi-Delta с линейным вниманием и 11 слоёв DeepSeek sparse attention с NoPE MLA и lightning indexer, а также manifold-constrained hyper-connections. Мультитокенная предсказательная прослойка исключена, а vision tower сохранена в формате bfloat16.

Модель предназначена для генерации текста и работы с изображениями и текстом; в README указана модальность image-text-to-text. Сборка рассчитана на запуск через MLX и совместимый runtime на компьютерах Apple Silicon. Размер файлов на диске составляет около 334,1 ГБ. Основная масса параметров, включая маршрутизируемых экспертов, квантована в 8 бит с группами по 64 значения; отдельные служебные параметры хранятся в float32, а vision tower — в bfloat16. Языки и размер контекстного окна в README не указаны.

Сильной стороной сборки является существенное уменьшение размера по сравнению с исходной версией bfloat16 объёмом около 642,7 ГБ при близком качестве: заявленная perplexity на wikitext-2 составляет 3,4607. Для корректной работы рекомендуется пропатченный runtime из проекта PipeNetwork, поскольку стандартная ветка mlx-vlm содержит расхождения в вычислениях. Модель распространяется по лицензии MIT; в README также указано, что файлы были конвертированы из upstream-релиза и архитектура модели не изменялась.

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-MLX-8bit

MLX (Apple Silicon) build of GLM-5.3-Flash — 320B-A18B hybrid of 34 Kimi-Delta linear-attention layers and 11 DeepSeek-sparse-attention (NoPE MLA + lightning indexer) layers with manifold-constrained hyper-connections — quantized to 8-bit.

These files are modified: converted from the upstream bfloat16 release (GLM-5.3-Flash-BF16) to MLX and quantized; the architecture is unchanged. The multi-token-prediction layer (layer 45) is not included. The vision tower is carried in bfloat16.

Runtime

glm5_next landed in mlx-vlm main on 2026-08-26 (no release carries it yet). Validating that port against transformers 5.16 at tiny scale found two numerical bugs and two epsilon mismatches, which the runtime in https://github.com/PipeNetwork/glm53-flash-mlx fixes; parity is 1e-6 end to end, exact on cached decode.

whatreferencemlx-vlm maineffect
swiglu_limitgate clamped at 10, up at ±10, in every text MLPno clamp anywhere in the text stackformula mismatch on all 45 FFN blocks
mHC base/scale dtypefloat32converter casts to bf16; the Metal kernel then reads base as float4comb mixing matrix off by ~0.5 on every layer of a converted checkpoint
MLA low-rank norm epsrms_norm_eps = 1e-51e-6small
indexer LayerNorm eps1e-61e-5small

This checkpoint keeps the mHC arrays and KDA decay parameters in float32 as stored, so it is safe in either runtime; the clamp is a compute-path fix and needs the patched runtime:

git clone https://github.com/PipeNetwork/glm53-flash-mlx && cd glm53-flash-mlx && pip install -r requirements.txt
python scripts/smoke_generate.py /path/to/GLM-5.3-Flash-MLX-8bit
from glm53_flash_mlx.load import load
model, processor = load("/path/to/GLM-5.3-Flash-MLX-8bit")

Size and what is quantized

334.1 GB on disk (bfloat16 upstream: 642.7 GB).

groupshare of parametersthis build
routed experts (switch_mlp, 42 layers × 288)304B (97%)8-bit, group 64
KDA and MLA projections, shared experts, dense MLPs, embeddings, lm_head~9B8-bit, group 64
lightning-indexer projections0.06B8-bit, group 64
MoE router + correction bias, mHC arrays (fp32), KDA A_log/dt_bias (fp32), convolutions, norms—as stored
vision tower0.56Bbfloat16

Quality

Perplexity on wikitext-2 (test), 288,627 tokens in 141 windows of 2048, every build scored on identical windows through this runtime. The 643 GB bfloat16 model does not fit a 512 GB machine, so the 8-bit build is the anchor (on every model we have measured, 8-bit has been statistically indistinguishable from bfloat16). Per-window NLL differences against 8-bit, bootstrapped over one shared index set (20,000 resamples):

buildsizeperplexityΔNLL/token vs 8-bit [95% CI]windows worse
8bit334.1 GB3.4607——
6bit255.9 GB3.4646+0.0011 [−0.0017, +0.0038]89/141
mixed-4_8bit181.9 GB3.5705+0.0312 [+0.0271, +0.0355]131/141
4bit177.6 GB3.7549+0.0816 [+0.0755, +0.0879]140/141
REAP25-mixed-4_8bit139.1 GB4.2249+0.1995 [+0.1657, +0.2377]139/141
REAP37-mixed-4_8bit118.3 GB4.8752+0.3427 [+0.2968, +0.3929]141/141
REAP50-mixed-4_8bit96.3 GB6.0757+0.5628 [+0.5071, +0.6219]141/141
REAP25-4bit—4.4361+0.2483 [+0.2135, +0.2873]141/141
REAP37-4bit—5.1057+0.3889 [+0.3424, +0.4393]141/141
REAP50-4bit—6.3840+0.6123 [+0.5552, +0.6722]141/141

Read the interval, not the point estimate; "windows worse" counts how many of the 141 windows the build lost outright.

Against the 8-bit anchor: 6-bit +0.1%, mixed 4/8-bit +3.2%, uniform 4-bit +8.5%. Routed experts are 97% of the parameters; the mixed build keeps the other ~9B (KDA and MLA projections, shared experts, dense layers, embeddings) at 8-bit for 4.4 GB more than uniform 4-bit.

Greedy generation (a collapse detector, not a ranking) is coherent on every published build.

License

MIT, as the upstream model. Port code: https://github.com/PipeNetwork/glm53-flash-mlx.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
dd62078

0 моделей