GLM · 2026-02 · MoE épars
GLM-5
GLM-5 est un Transformer à attention latente multi-tête (MLA) publié par GLM en 2026-02, avec 78 couches, une dimension cachée de 6144 et une fenêtre de contexte de 202,752 tokens.
Pile de couches
Attention ×78 · Couches 78
Faits clés
| Laboratoire | GLM |
|---|---|
| Publication | 2026-02 |
| Paramètres | 744 Md |
| Actifs | 40 Md |
| Contexte | 202,752 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Couches | 78 |
| Dimension cachée | 6,144 |
| Têtes d'attention | 64 |
| Vocabulaire | 154,880 |
| Encodage positionnel | learned/absolute |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | fp8 |
| Classe d'architecture | GlmMoeDsaForCausalLM |
Vue d'ensemble de l'architecture
Attention
attention latente multi-tête (MLA). kv_lora_rank=512.
FFN / MoE
C’est un mélange d’experts épars : 256 experts routés avec routage top-8 ; environ 40Md de paramètres sont actifs par token.
La configuration embarque 1 couches supplémentaires de prédiction multi-tokens (MTP) servant à accélérer le décodage.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le prédécesseur GLM-4.7-Flash
| Modèle | GLM-5 | GLM-4.7-Flash | Ratio |
|---|---|---|---|
| model_type | glm_moe_dsa | glm4_moe_lite | ≠ |
| architectures | GlmMoeDsaForCausalLM | Glm4MoeLiteForCausalLM | ≠ |
| hidden_size | 6144 | 2048 | ×3.00 |
| num_hidden_layers | 78 | 47 | ×1.66 |
| num_attention_heads | 64 | 20 | ×3.20 |
| num_key_value_heads | 64 | 20 | ×3.20 |
| head_dim | 64 | — | |
| intermediate_size | 12288 | 10240 | ×1.20 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 256 | 64 | ×4.00 |
| num_experts_per_tok | 8 | 4 | ×2.00 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 2048 | 1536 | ×1.33 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 64 | 64 | ≈1 |
| q_lora_rank | 2048 | 768 | ×2.67 |
| rope_theta | — | 1000000 | |
| max_position_embeddings | 202752 | 202752 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 154880 | 154880 | ≈1 |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| dtype | bfloat16 | bfloat16 | ＝ |
| eos_token_id | 154820×1 + 154827×1 + 154829×1 | 154820×1 + 154827×1 + 154829×1 | ＝ |
| ep_size | 1 | — |
Architectures les plus proches
- GLM-5.1 (GLM, 2026-04) 1.000
- Hunyuan 4 Preview (Hunyuan, 2026-08) 0.999
- GLM-5.2 (GLM, 2026-06) 0.999
- GLM-5.3 (GLM, 2026-08) 0.999
- GLM-5.3-Flash (GLM, 2026-08) 0.992
- Kimi K2 0905 (Kimi, 2025-09) 0.938
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
47 champs
| architectures | GlmMoeDsaForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| dtype | bfloat16 |
| eos_token_id | 154820×1 + 154827×1 + 154829×1 |
| ep_size | 1 |
| first_k_dense_replace | 3 |
| hidden_act | silu |
| head_dim | 64 |
| hidden_size | 6144 |
| index_head_dim | 128 |
| index_n_heads | 32 |
| index_topk | 2048 |
| indexer_rope_interleave | true |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| kv_lora_rank | 512 |
| max_position_embeddings | 202752 |
| moe_intermediate_size | 2048 |
| moe_layer_freq | 1 |
| model_type | glm_moe_dsa |
| n_group | 1 |
| n_routed_experts | 256 |
| n_shared_experts | 1 |
| norm_topk_prob | true |
| num_attention_heads | 64 |
| num_experts_per_tok | 8 |
| num_hidden_layers | 78 |
| num_key_value_heads | 64 |
| num_nextn_predict_layers | 1 |
| pad_token_id | 154820 |
| pretraining_tp | 1 |
| q_lora_rank | 2048 |
| qk_head_dim | 256 |
| qk_nope_head_dim | 192 |
| qk_rope_head_dim | 64 |
| rms_norm_eps | 0.00001 |
| rope_interleave | true |
| routed_scaling_factor | 2.5 |
| scoring_func | sigmoid |
| tie_word_embeddings | false |
| topk_group | 1 |
| topk_method | noaux_tc |
| transformers_version | 5.0.2.dev0 |
| use_cache | true |
| v_head_dim | 256 |
| vocab_size | 154880 |