GLM · 2026-01 · Sparsames MoE
GLM-4.7-Flash
GLM-4.7-Flash ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von GLM im 2026-01, mit 47 Schichten, Hidden-Größe 2048 und einem Kontextfenster von 202,752 Tokens.
Schichtstapel
Kernfakten
| Labor | GLM |
|---|---|
| Veröffentlicht | 2026-01 |
| Parameter | 29.4 Mrd. |
| Aktiv | 3.2 Mrd. |
| Kontext | 202,752 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Schichten | 47 |
| Hidden-Dim. | 2,048 |
| Attention-Köpfe | 20 |
| Vokabular | 154,880 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Glm4MoeLiteForCausalLM |
Architekturüberblick
Attention
Multi-Head-Latent-Attention (MLA). kv_lora_rank=512. RoPE θ=1,000,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 64 gerouteten Experten und Top-4-Routing; etwa 3.2 Mrd. Parameter sind pro Token aktiv.
Die Konfiguration enthält 1 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger GLM-4.6
| Modell | GLM-4.7-Flash | GLM-4.6 | Ratio |
|---|---|---|---|
| model_type | glm4_moe_lite | glm4_moe | ≠ |
| architectures | Glm4MoeLiteForCausalLM | Glm4MoeForCausalLM | ≠ |
| hidden_size | 2048 | 5120 | ×0.400 |
| num_hidden_layers | 47 | 92 | ×0.511 |
| num_attention_heads | 20 | 96 | ×0.208 |
| num_key_value_heads | 20 | 8 | ×2.50 |
| head_dim | — | 128 | |
| intermediate_size | 10240 | 12288 | ×0.833 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 64 | 160 | ×0.400 |
| num_experts_per_tok | 4 | 8 | ×0.500 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 1536 | 1536 | ≈1 |
| kv_lora_rank | 512 | — | |
| qk_rope_head_dim | 64 | — | |
| q_lora_rank | 768 | — | |
| rope_theta | 1000000 | 1000000 | ≈1 |
| max_position_embeddings | 202752 | 202752 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 154880 | 151552 | ×1.02 |
| torch_dtype | — | bfloat16 | |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| attention_bias | false | true | ≠ |
| attention_dropout | 0 | 0 | ＝ |
| pad_token_id | 154820 | 151329 | ×1.02 |
| eos_token_id | 154820×1 + 154827×1 + 154829×1 | 151329×1 + 151336×1 + 151338×1 | ≠ |
Strukturell ähnlichste Modelle
- DeepSeek-V2 Lite (DeepSeek, 2024-05) 0.998
- Kimi Linear 48B A3B (Kimi, 2025-10) 0.995
- Moonlight 16B (Kimi, 2025-02) 0.994
- DeepSeek-V2 (DeepSeek, 2024-05) 0.992
- DeepSeek-V3 (DeepSeek, 2024-12) 0.922
- DeepSeek-V3 Base (DeepSeek, 2024-12) 0.922
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
36 Felder
| architectures | Glm4MoeLiteForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| pad_token_id | 154820 |
| eos_token_id | 154820×1 + 154827×1 + 154829×1 |
| hidden_act | silu |
| hidden_size | 2048 |
| intermediate_size | 10240 |
| max_position_embeddings | 202752 |
| model_type | glm4_moe_lite |
| moe_intermediate_size | 1536 |
| topk_method | noaux_tc |
| norm_topk_prob | true |
| num_attention_heads | 20 |
| n_group | 1 |
| topk_group | 1 |
| n_routed_experts | 64 |
| n_shared_experts | 1 |
| routed_scaling_factor | 1.8 |
| num_experts_per_tok | 4 |
| first_k_dense_replace | 1 |
| num_hidden_layers | 47 |
| num_key_value_heads | 20 |
| num_nextn_predict_layers | 1 |
| partial_rotary_factor | 1 |
| rms_norm_eps | 0.00001 |
| rope_theta | 1000000 |
| tie_word_embeddings | false |
| dtype | bfloat16 |
| transformers_version | 5.0.0rc0 |
| q_lora_rank | 768 |
| kv_lora_rank | 512 |
| qk_nope_head_dim | 192 |
| qk_rope_head_dim | 64 |
| v_head_dim | 256 |
| vocab_size | 154880 |