/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-5.3-Flash
Опубликована
28 авг 2026

GLM-5.3-Flash-Spark-Q2XL-MTP

Генерация текстаТекст → текст7 профессий

Квантизированная GGUF-версия GLM-5.3-Flash для локальной генерации текста и программного кода на DGX Spark с ускорением MTP.

163скачиваний за 30 дней5лайковвеса обновлены28 авг 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-Flash Spark Q2XL MTP — это GGUF-квантизация модели zai-org/GLM-5.3-Flash, подготовленная автором репозитория для запуска на NVIDIA DGX Spark / GB10 с 128 ГБ памяти. Веса общим объёмом около 105 ГиБ используют смешанную точность: матрицы внимания и общие эксперты сохранены с большей точностью, а матрицы маршрутизируемых экспертов сжаты сильнее. Калибровка выполнена с использованием importance matrix; предусмотрено спекулятивное декодирование MTP.

Модель предназначена для генерации текста в диалогах и локальных задачах программирования. В тестах автора на одном DGX Spark она показала 159/164 на HumanEval и 153/164 на HumanEval+ Mini; результаты получены на одном примере для каждой задачи и при настройке reasoning_effort=low, поэтому их не следует считать независимой всесторонней оценкой качества. Для работы автор проверял сборку GLM5-Next на базе llama.cpp с включённым native MTP и контекстом 32 768 токенов. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • генерация и дополнение программного кода локально
  • ответы в диалоговом интерфейсе на английском или китайском языке
  • локальный запуск крупной языковой модели на DGX Spark
  • оценка качества генерации кода на HumanEval и HumanEval+

Ограничения

Для заявленного запуска требуется около 105 ГиБ памяти и совместимая сборка GLM5-Next llama.cpp с включённым native MTP. Приведённые показатели качества основаны на локальном тестировании автора с одним примером на задачу и не характеризуют все режимы модели.

Для каких профессий подходит7

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 Spark Q2XL MTP

Spark is a quality-first 2.80 BPW GGUF quant of zai-org/GLM-5.3-Flash, tuned to fit and run fully on a 128 GB NVIDIA DGX Spark / GB10 with native MTP speculative decoding.

The eight model shards total 106,987.66 MiB (about 105 GiB). This build keeps attention and other sensitive paths at higher precision while compressing the large routed-expert tensors more aggressively:

  • routed expert down projections: IQ3_XXS
  • routed expert gate/up projections: IQ2_XS
  • shared experts: Q6_K
  • attention Q/K/V/output matrices: Q8_0
  • norms, routing controls, recurrent/SSM controls, and MTP-sensitive tensors: retained as BF16/F32 where required
  • calibration: importance-matrix guided

The result is not simply a uniform 2-bit model. Most storage savings come from the repeated expert matrices; the comparatively small, quality-sensitive paths receive substantially more precision.

Benchmarks

All local results below were measured on one DGX Spark / GB10. Quality used one sample per task, temperature 0, top-p 0.95, reasoning_effort=low, a 768-token completion cap, and EvalPlus 0.3.1 with HumanEvalPlus dataset v0.1.10. This is a concise local-coding profile, not the upstream model's default max reasoning profile.

TestResult
HumanEval pass@1159/164 (97.0%)
HumanEval+ Mini pass@1153/164 (93.3%)
34-point coding microbenchmark29/34 (85.3%)
Generation failures0/164
Full generation wall time1,025 s, one sequential slot

Five sequential streaming coding completions, 512 output tokens each:

MetricResult
Median decode22.504 tok/s
Mean decode22.083 tok/s
Minimum decode17.176 tok/s
Median effective completion21.660 tok/s
Median TTFT0.807 s
First-trial TTFT0.930 s
Median native-MTP acceptance54.3%

For comparison, the previously tested Unsloth UD-Q2_K_XL GLM quant reached 155/164 HumanEval, 148/164 HumanEval+ Mini, and 25.414 tok/s median. Spark traded about 11% median decode speed for five additional HumanEval+ passes in this evaluation.

Tested runtime

The model was converted and served with the GLM5-Next fork of llama.cpp at commit ea37b8bb0 (vcruz305/llama.cpp). Native MTP must be enabled. The tested server configuration was:

llama-server \
  -m GLM-5.3-Flash-Spark-Q2XL-MTP-00001-of-00008.gguf \
  --host 0.0.0.0 --port 11001 \
  --ctx-size 32768 \
  --n-gpu-layers 999 \
  --parallel 1 \
  --flash-attn on \
  --cache-type-k q8_0 \
  --cache-type-v q8_0 \
  --spec-type draft-mtp \
  --spec-draft-n-max 3 \
  --cache-ram 512

The 512 MiB prompt-cache cap is intentional. The server image's 8 GiB default left only about 1 GiB of memory headroom and caused a response-finalization timeout during sustained non-streaming requests. With the cap, the model loaded with about 9 GiB available and completed the full 164-task run cleanly.

The upstream model is natively multimodal, but this GGUF/runtime combination was evaluated only for text/code generation. Vision behavior is not claimed.

Reproducibility

Per-shard SHA-256 digests are provided in SHA256SUMS. The complete appendable leaderboard, test protocol, harness hashes, and result-artifact hashes live in Packwolf's docs/benchmarks/MODEL_LEADERBOARD.md.

License and attribution

The upstream GLM-5.3-Flash checkpoint is MIT licensed. See LICENSE and the upstream model card for attribution, limitations, and citation information.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
6e6619a

0 моделей