GLM · 2026-08 · Sparsames MoE · Multimodal

GLM-5.3-Flash

GLM-5.3-Flash ist ein Multi-Head-Latent-Attention (MLA)-Transformer, veröffentlicht von GLM im 2026-08, mit 45 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 1,048,576 Tokens.

Schichtstapel

Linear ×34 sparse ×11 · Schichten 45

Kernfakten

LaborGLM
Veröffentlicht2026-08
Parameter328.9 Mrd.
Aktiv13 Mrd.
Kontext1,048,576 tokens
AttentionMLA · kv_lora_rank 512
Schichten45
Hidden-Dim.4,096
Attention-Köpfe64
Vokabular154,880
Positionscodierunglearned/absolute
NormierungRMSNorm
Aktivierungsilu
Präzisionfp8
ArchitekturklasseGlm5NextForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 154,880 → Hidden-Dim. 4,096 Q · 64 Wᴰᴷⱽ ↓ c_KV · 512 kᴿ · RoPE 0 Wᵁᴷ/Wᵁⱽ ↑ ⊕kᴿ Attention KV-Cache/Token ≈ 512 gegenüber 2·4,096 dicht → ≈ 1/16.0 Router E1 E2 E3 E4 E5 E6 E7 E8 +280… Geteilter Experte ×1 Top-8 von 288 Experten · ≈ 13 Mrd. Parameter pro Token aktiv × 45 Transformer-Block Attention FFN / MoE RMSNorm pre-norm Finale Norm · RMSNorm LM head → Vokabular 154,880 p p p → nächstes Token MTP ×1 → +1 zukünftige Tokens Positionscodierung learned/absolute Präzision FP8 Kontext 1024K tok Vision ⇢ token
Gezeichnet nach der mitgelieferten config.json · 45 Schichten / Breite 4,096 / Kontext 1,048,576. Originaldiagramm dieses Atlas.

Attention

Multi-Head-Latent-Attention (MLA). kv_lora_rank=512.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 288 gerouteten Experten und Top-8-Routing; etwa 13 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-5.3
ModellGLM-5.3-FlashGLM-5.3Ratio
model_typeglm5_nextglm_moe_dsa
architecturesGlm5NextForConditionalGenerationGlmMoeDsaForCausalLM
hidden_size40966144×0.667
num_hidden_layers4578×0.577
num_attention_heads6464≈1
num_key_value_heads6464≈1
head_dim0192×0.000
intermediate_size1228812288≈1
hidden_actsilusilu
n_routed_experts288256×1.13
num_experts_per_tok88≈1
n_shared_experts11≈1
moe_intermediate_size20482048≈1
kv_lora_rank512512≈1
qk_rope_head_dim064×0.000
q_lora_rank15362048×0.750
max_position_embeddings10485761048576≈1
rms_norm_eps0.000010.00001≈1
vocab_size154880154880≈1
num_nextn_predict_layers11≈1
image_token_id154854
video_token_id154855
image_start_token_id154830
image_end_token_id154831
video_start_token_id154832
video_end_token_id154833

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

65 Felder
architecturesGlm5NextForConditionalGeneration
image_token_id154854
video_token_id154855
image_start_token_id154830
image_end_token_id154831
video_start_token_id154832
video_end_token_id154833
tie_word_embeddingsfalse
model_typeglm5_next
transformers_version5.16.0
attention_biasfalse
attention_dropout0
dtypebfloat16
eos_token_id154820×1 + 154827×1 + 154829×1
first_k_dense_replace3
hc_eps0.000001
hc_mult4
hc_sinkhorn_iters20
head_dim0
hidden_actsilu
hidden_size4096
index_head_dim128
index_kpool4
index_kpool_always_select_tailtrue
index_kpool_compresstrue
index_n_heads32
index_topk2048
index_share_for_mtp_iterationtrue
indexer_rope_interleavetrue
indexer_typesfull×45
initializer_range0.02
intermediate_size12288
kv_lora_rank512
layer_typeslinear_attention×34 + deepseek_sparse_attention×11
max_position_embeddings1048576
mhctrue
mla_use_nopetrue
mlp_layer_typesdense×3 + sparse×42
moe_intermediate_size2048
moe_router_dtypefloat32
n_group1
n_routed_experts288
n_shared_experts1
norm_topk_probtrue
num_attention_heads64
num_experts_per_tok8
num_hidden_layers45
num_key_value_heads64
num_nextn_predict_layers1
output_router_logitsfalse
pad_token_id154820
q_lora_rank1536
qk_head_dim256
qk_nope_head_dim256
qk_rope_head_dim0
rms_norm_eps0.00001
routed_scaling_factor2.5
router_aux_loss_coef0.001
scoring_funcsigmoid
swiglu_limit10
topk_group1
topk_methodnoaux_tc
use_cachetrue
v_head_dim256
vocab_size154880