GLM · 2026-01 · MoE sparsa
GLM-4.7-Flash
GLM-4.7-Flash è un Transformer a attention multi-head latente (MLA) pubblicato da GLM nel 2026-01, con 47 strati, dimensione nascosta 2048 e una finestra di contesto di 202,752 token.
Pila di strati
Dati chiave
| Laboratorio | GLM |
|---|---|
| Pubblicazione | 2026-01 |
| Parametri | 29.4 mld |
| Attivi | 3.2 mld |
| Contesto | 202,752 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Strati | 47 |
| Dim. nascosta | 2,048 |
| Teste di attention | 20 |
| Vocabolario | 154,880 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | Glm4MoeLiteForCausalLM |
Panoramica dell'architettura
Attention
attention multi-head latente (MLA). kv_lora_rank=512. RoPE θ=1,000,000.
FFN / MoE
È un mixture-of-experts sparso con 64 esperti instradati e routing top-4; circa 3.2 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-4.6
| Modello | GLM-4.7-Flash | GLM-4.6 | Rapporto |
|---|---|---|---|
| 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 | ≠ |
Architetture più simili
- 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
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
36 campi
| 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 |