GLM · 2025-10 · MoE sparsa
GLM-4.6
GLM-4.6 è un Transformer a attention grouped-query (GQA) pubblicato da GLM nel 2025-10, con 92 strati, dimensione nascosta 5120 e una finestra di contesto di 202,752 token.
Pila di strati
Dati chiave
| Laboratorio | GLM |
|---|---|
| Pubblicazione | 2025-10 |
| Parametri | 360.4 mld |
| Attivi | 32.7 mld |
| Contesto | 202,752 tokens |
| Attention | GQA (96:8) |
| Strati | 92 |
| Dim. nascosta | 5,120 |
| Teste di attention | 96 |
| Vocabolario | 151,552 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | Glm4MoeForCausalLM |
Panoramica dell'architettura
Attention
attention grouped-query (GQA) — 96 q-heads / 8 kv-heads. RoPE θ=1,000,000.
FFN / MoE
È un mixture-of-experts sparso con 160 esperti instradati e routing top-8; circa 32.7 milioni di parametri sono attivi per token.
La configurazione include 1 strati extra di predizione multi-token (MTP) usati per accelerare il decodice.
Confronto campo per campo
Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.
Confronto completo con il predecessore GLM-4.5-Air
| Modello | GLM-4.6 | GLM-4.5-Air | Rapporto |
|---|---|---|---|
| model_type | glm4_moe | glm4_moe | ＝ |
| architectures | Glm4MoeForCausalLM | Glm4MoeForCausalLM | ＝ |
| hidden_size | 5120 | 4096 | ×1.25 |
| num_hidden_layers | 92 | 46 | ×2.00 |
| num_attention_heads | 96 | 96 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | 128 | 128 | ≈1 |
| intermediate_size | 12288 | 10944 | ×1.12 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 160 | 128 | ×1.25 |
| num_experts_per_tok | 8 | 8 | ≈1 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 1536 | 1408 | ×1.09 |
| rope_theta | 1000000 | 1000000 | ≈1 |
| max_position_embeddings | 202752 | 131072 | ×1.55 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 151552 | 151552 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| attention_bias | true | true | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| pad_token_id | 151329 | 151329 | ≈1 |
| eos_token_id | 151329×1 + 151336×1 + 151338×1 | 151329×1 + 151336×1 + 151338×1 | ＝ |
| partial_rotary_factor | 0.5 | 0.5 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| norm_topk_prob | true | true | ＝ |
Architetture più simili
- GLM-4.5 (GLM, 2025-07) 1.000
- Qwen3 235B A22B (Qwen, 2025-04) 0.999
- Qwen3.8 2.4T A95B (Qwen, 2026-08) 0.994
- MiniMax-Text-01 (MiniMax, 2025-01) 0.990
- MiniMax-M1 (MiniMax, 2025-06) 0.990
- GLM-4.5-Air (GLM, 2025-07) 0.989
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
34 campi
| architectures | Glm4MoeForCausalLM |
|---|---|
| attention_bias | true |
| attention_dropout | 0 |
| pad_token_id | 151329 |
| eos_token_id | 151329×1 + 151336×1 + 151338×1 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 5120 |
| partial_rotary_factor | 0.5 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| max_position_embeddings | 202752 |
| model_type | glm4_moe |
| moe_intermediate_size | 1536 |
| norm_topk_prob | true |
| num_attention_heads | 96 |
| n_group | 1 |
| topk_group | 1 |
| n_routed_experts | 160 |
| n_shared_experts | 1 |
| routed_scaling_factor | 2.5 |
| num_experts_per_tok | 8 |
| first_k_dense_replace | 3 |
| num_hidden_layers | 92 |
| num_key_value_heads | 8 |
| rms_norm_eps | 0.00001 |
| rope_theta | 1000000 |
| num_nextn_predict_layers | 1 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.54.0 |
| use_cache | true |
| use_qk_norm | true |
| vocab_size | 151552 |