GLM · 2026-08 · MoE sparsa · Multimodale
GLM-5.3-Flash
GLM-5.3-Flash è un Transformer a attention multi-head latente (MLA) pubblicato da GLM nel 2026-08, con 45 strati, dimensione nascosta 4096 e una finestra di contesto di 1,048,576 token.
Pila di strati
Dati chiave
| Laboratorio | GLM |
|---|---|
| Pubblicazione | 2026-08 |
| Parametri | 328.9 mld |
| Attivi | 13 mld |
| Contesto | 1,048,576 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Strati | 45 |
| Dim. nascosta | 4,096 |
| Teste di attention | 64 |
| Vocabolario | 154,880 |
| Codifica posizionale | learned/absolute |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | fp8 |
| Classe architetturale | Glm5NextForConditionalGeneration |
Panoramica dell'architettura
Attention
attention multi-head latente (MLA). kv_lora_rank=512.
FFN / MoE
È un mixture-of-experts sparso con 288 esperti instradati e routing top-8; circa 13 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-5.3
| Modello | GLM-5.3-Flash | GLM-5.3 | Rapporto |
|---|---|---|---|
| model_type | glm5_next | glm_moe_dsa | ≠ |
| architectures | Glm5NextForConditionalGeneration | GlmMoeDsaForCausalLM | ≠ |
| hidden_size | 4096 | 6144 | ×0.667 |
| num_hidden_layers | 45 | 78 | ×0.577 |
| num_attention_heads | 64 | 64 | ≈1 |
| num_key_value_heads | 64 | 64 | ≈1 |
| head_dim | 0 | 192 | ×0.000 |
| intermediate_size | 12288 | 12288 | ≈1 |
| hidden_act | silu | silu | ＝ |
| n_routed_experts | 288 | 256 | ×1.13 |
| num_experts_per_tok | 8 | 8 | ≈1 |
| n_shared_experts | 1 | 1 | ≈1 |
| moe_intermediate_size | 2048 | 2048 | ≈1 |
| kv_lora_rank | 512 | 512 | ≈1 |
| qk_rope_head_dim | 0 | 64 | ×0.000 |
| q_lora_rank | 1536 | 2048 | ×0.750 |
| max_position_embeddings | 1048576 | 1048576 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 154880 | 154880 | ≈1 |
| num_nextn_predict_layers | 1 | 1 | ≈1 |
| image_token_id | 154854 | — | |
| video_token_id | 154855 | — | |
| image_start_token_id | 154830 | — | |
| image_end_token_id | 154831 | — | |
| video_start_token_id | 154832 | — | |
| video_end_token_id | 154833 | — |
Architetture più simili
- GLM-5.2 (GLM, 2026-06) 0.994
- GLM-5.3 (GLM, 2026-08) 0.994
- Hunyuan 4 Preview (Hunyuan, 2026-08) 0.994
- GLM-5 (GLM, 2026-02) 0.992
- GLM-5.1 (GLM, 2026-04) 0.992
- Kimi K2 0905 (Kimi, 2025-09) 0.935
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
65 campi
| architectures | Glm5NextForConditionalGeneration |
|---|---|
| image_token_id | 154854 |
| video_token_id | 154855 |
| image_start_token_id | 154830 |
| image_end_token_id | 154831 |
| video_start_token_id | 154832 |
| video_end_token_id | 154833 |
| tie_word_embeddings | false |
| model_type | glm5_next |
| transformers_version | 5.16.0 |
| attention_bias | false |
| attention_dropout | 0 |
| dtype | bfloat16 |
| eos_token_id | 154820×1 + 154827×1 + 154829×1 |
| first_k_dense_replace | 3 |
| hc_eps | 0.000001 |
| hc_mult | 4 |
| hc_sinkhorn_iters | 20 |
| head_dim | 0 |
| hidden_act | silu |
| hidden_size | 4096 |
| index_head_dim | 128 |
| index_kpool | 4 |
| index_kpool_always_select_tail | true |
| index_kpool_compress | true |
| index_n_heads | 32 |
| index_topk | 2048 |
| index_share_for_mtp_iteration | true |
| indexer_rope_interleave | true |
| indexer_types | full×45 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| kv_lora_rank | 512 |
| layer_types | linear_attention×34 + deepseek_sparse_attention×11 |
| max_position_embeddings | 1048576 |
| mhc | true |
| mla_use_nope | true |
| mlp_layer_types | dense×3 + sparse×42 |
| moe_intermediate_size | 2048 |
| moe_router_dtype | float32 |
| n_group | 1 |
| n_routed_experts | 288 |
| n_shared_experts | 1 |
| norm_topk_prob | true |
| num_attention_heads | 64 |
| num_experts_per_tok | 8 |
| num_hidden_layers | 45 |
| num_key_value_heads | 64 |
| num_nextn_predict_layers | 1 |
| output_router_logits | false |
| pad_token_id | 154820 |
| q_lora_rank | 1536 |
| qk_head_dim | 256 |
| qk_nope_head_dim | 256 |
| qk_rope_head_dim | 0 |
| rms_norm_eps | 0.00001 |
| routed_scaling_factor | 2.5 |
| router_aux_loss_coef | 0.001 |
| scoring_func | sigmoid |
| swiglu_limit | 10 |
| topk_group | 1 |
| topk_method | noaux_tc |
| use_cache | true |
| v_head_dim | 256 |
| vocab_size | 154880 |