/ Модель

Характеристики

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

GLM-5.3-Flash-EXL3-K2

Генерация текстаТекст → текст14 профессий

GLM-5.3-Flash EXL3 K2 — общественный квантованный пакет модели GLM-5.3-Flash-BF16, подготовленный vcruz305 на основе модели Z.AI.

468скачиваний за 30 дней4лайкавеса обновлены30 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

Это текстогенерационная модель с архитектурой Glm5NextForConditionalGeneration и поддержкой английского и китайского языков. Квантование EXL3 с точностью 2 бита применяется только к маршрутизируемым MoE-экспертам; компоненты внимания, общие слои, эмбеддинги, выходная голова и vision-компоненты сохраняют исходный формат. Пакет состоит из 120 файлов safetensors и занимает около 91 ГиБ.

Модель предназначена для генерации текста и сценариев инференса с большим контекстом. Заявленный максимальный выделяемый контекст составляет 131072 токена, рекомендуемый контекст обслуживания — 65536 токенов; отдельно проверено извлечение данных из реальных текстов длиной до 163479 токенов. На NVIDIA GB10 заявлена скорость 15,7–16,5 токена в секунду при контексте 8K и 14,6–15,7 токена в секунду при 64K с использованием native MTP k=2. К преимуществам относятся существенно уменьшенный размер по сравнению с полноточными весами, поддержка MoE и длинного контекста. Ограничения включают снижение точности из-за 2-битного квантования, необходимость специальной сборки vLLM с поддержкой EXL3 и Glm5Next, а также известную ошибку runtime для некоторых запросов длиной примерно от 163K до 180K токенов. Лицензия весов — MIT.

Для каких профессий подходит14

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 K2

Community EXL3 K2 pack of zai-org/GLM-5.3-Flash-BF16: 2-bit MCG trellis on routed MoE experts only. Attn / shared / embed / head / vision stay source-native. 120 safetensors shards, 97,728,721,536 B (91.017 GiB).

These weights need a specific vLLM build (K-pool fix shipped 2026-08-30; reinstall)

Stock vLLM cannot load this pack. It has neither the exl3 quantization method nor the Glm5Next architecture, and no flag turns them on. pip install vllm will appear to work and then fail after you have downloaded 91 GiB.

Prebuilt wheels, no compiler, minutes to install: vcruz305/GLM-5.3-Flash-EXL3-K2-spark-vllm

WhereWhat
This repothe weights, 120 shards, 91.017 GiB
spark-vllmprebuilt vLLM + ExLlamaV3 wheels for GB10
recipeinstall scripts, serve flags, full measurements
FormatEXL3, bits=2, codebook mcg, scope glm53_routed_experts_only
ArchitectureGlm5NextForConditionalGeneration
Spark (TP=1)native MTP k=2: 15.7–16.5 tok/s @ 8k; 14.6–15.7 tok/s @ 64k
Max ctx allocated131072 (KV 786,432 @ util 0.91); recommended serving ctx 65536, see ladder
sixcat 0.5.1120/120 think-on @ 64k — overall 84.17 on the fixed 2026-08-30 runtime (flagged: mmlu:8 and ifeval:1300 hit their budgets), same overall as the earlier container run
KLD vs BF16 (fidelity suite v1)512 contexts, 1,048,064 positions, full-vocab KL through the shared head — token-mean 0.3346 nats (95% CI 0.320–0.349), median 0.117, p99 3.33, top-1 agreement 0.788; the suite's FP8 anchor is 0.028 / 0.943; the K2/K3 mix scores 0.3121 / 0.795 on the same contexts. Method and scorer validation in the recipe's docs/KLD.md
long contextboots at 262,144 (KV pool 1,093,332 tokens, 4.17x full-256k concurrency); real-text needle ladder verified to 163,479 prompt tokens (needle recalled verbatim, prefill ~590 tok/s, decode 17–20). Known runtime bug: prompts between ~163k and ~180k wedge the engine — keep prompts ≤163k until the fix lands; ≤131,072 contexts unaffected. Details in the recipe README
Also measured4× L40 TP=4 text /v1 smoke (see below)

This is a quantized weight pack. Pull it, then follow the GitHub recipe for vLLM flags. Weights are MIT (Z.AI).

Quick start

# 1. the runtime first, so a bad environment fails in seconds instead of hours
git clone https://github.com/vcruz305/GLM-5.3-Flash-EXL3-K2-DGX-Spark-recipe
cd GLM-5.3-Flash-EXL3-K2-DGX-Spark-recipe
python scripts/preflight.py
bash scripts/install_prebuilt.sh

# 2. then the 91 GiB
hf download vcruz305/GLM-5.3-Flash-EXL3-K2 \
  --local-dir ~/models/GLM-5.3-Flash-EXL3-K2

--local-dir resumes. There is no --resume-download flag. Last path component must be the Hub basename.

One-Spark vLLM (winner flags). Full notes, ctx ladder, and scripts: GLM-5.3-Flash-EXL3-K2-DGX-Spark-recipe.

export EXL3_FUSED_MOE=1
vllm serve ~/models/GLM-5.3-Flash-EXL3-K2 \
  --served-model-name GLM-5.3-Flash-EXL3 \
  --quantization exl3 \
  --tensor-parallel-size 1 \
  --kv-cache-dtype fp8 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.87 \
  --max-num-seqs 1 \
  --max-num-batched-tokens 2048 \
  --speculative-config '{"method":"mtp","num_speculative_tokens":2}' \
  --tool-call-parser glm47 --enable-auto-tool-choice --reasoning-parser glm45 \
  --skip-mm-profiling --limit-mm-per-prompt '{"image":4,"video":1}'

Load log must show fused exl3_moe at bits=2. Bits=2 loading is handled natively by the EXL3 plugin in the runtime wheels, so there is nothing to patch. Do not pass --moe-backend marlin. Native MTP; do not mix a DFlash sidecar on the same server.

Eval/serve at 64k: MAX_MODEL_LEN=65536 GPU_MEM_UTIL=0.91 (same MTP k=2). Spec A/B was ranked at 8k so MLA page size stayed in one band.

Spark measurements (2026-08-29)

Hardware: one NVIDIA GB10 (SM121), ~121 GiB unified. Engine: vLLM --quantization exl3, EXL3_FUSED_MOE=1. Bench: streamed /v1, thinking off, 128 gen, seqs=1.

Spec ranking @ 8k

ConfigDecode tok/sAccept
no spec9.6–9.8—
DFlash sidecar k=711.5mean ~1.8 / 7
DFlash sidecar k=3 (older runtime)12.8mean ~1.8 / 3
DFlash k=3 BF16, Triton draft attn15.626–79% by workload
MTP k=114.876–80%
MTP k=215.7–16.5~74/44%, mean ~2.2

Context ladder (KV from engine log; decode = same 128-token bench when run)

max_model_lenspecutilGPU KVDecode
8192none0.87192k–208k9.6–9.8
8192DFlash k=70.8715,28111.5
16384DFlash0.9145,095/v1 pong
32768DFlash0.9190,035allocated (attn block 7168)
8192MTP k=20.87104,85715.7–16.5
65536MTP k=20.91786,43214.6–15.7
131072MTP k=20.91786,432allocates; 81,920-token prompt OK, 98,304 faults

131072 allocates (KV 786,432, 6.00x) and an 81,920-token prompt completes, but a 98,304-token prompt faults in the EXL3 fused-MoE path and kills the engine, so 65536 stays the recommended serving ctx. DFlash at 8k / util 0.87 cannot climb ctx until util 0.91 (draft KV collapse).

sixcat 0.5.1 think-on, vendor glm-5.x, 20/category, host-guarded HumanEval, 64k serve: knowledge 65 · math 100 · truth 85 · instruct 75 · code 90 · tools 90. overall 84.2 with trunc-in-think:instruct — not a clean overall.

What is in the shards

  • Routed experts: EXL3 K2 (suh, svh, trellis, (1,) int32 mcg) on gate_proj / up_proj / down_proj
  • 37,152 expert weights + source-native non-expert tensors
  • model.safetensors.index.json, tokenizer, processor, generation config, chat template
  • quantization_config.json: quant_method=exl3, bits=2, codebook=mcg, scope=glm53_routed_experts_only

Also measured: 4× L40 TP4

Text /v1 smoke on 2026-08-28, 4× NVIDIA L40 (SM89), TP=4, 8k, fused exl3_moe, no BF16 expert reconstruct. /health 200; 17 * 6 → 102. Build context under runtime/l40-vllm/ in this repo (CUDA 8.9, dense MLA fallback on L40). That gate is L40 TP4 text @ 8k. One-Spark GB10 flags and ctx live in the GitHub recipe.

Links

License: MIT (Z.AI), same as the BF16 source. Community quant; not an official Z.ai release.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm5NextForConditionalGeneration
Ревизия весов
ca0bcda

0 моделей