GLM · 2026-02 · MoE sparsa
GLM-5
GLM-5 è un Transformer a attention multi-head latente (MLA) pubblicato da GLM nel 2026-02, con 78 strati, dimensione nascosta 6144 e una finestra di contesto di 202,752 token.
Pila di strati
Dati chiave
| Laboratorio | GLM |
|---|---|
| Pubblicazione | 2026-02 |
| Parametri | 744 mld |
| Attivi | 40 mld |
| Contesto | 202,752 tokens |
| Attention | MLA · kv_lora_rank 512 |
| Strati | 78 |
| Dim. nascosta | 6,144 |
| Teste di attention | 64 |
| Vocabolario | 154,880 |
| Codifica posizionale | learned/absolute |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | fp8 |
| Classe architetturale | GlmMoeDsaForCausalLM |
Panoramica dell'architettura
Attention
attention multi-head latente (MLA). kv_lora_rank=512.
FFN / MoE
È un mixture-of-experts sparso con 256 esperti instradati e routing top-8; circa 40 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-4.7-Flash
| Modello | GLM-5 | GLM-4.7-Flash | Rapporto |
|---|---|---|---|
| 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 | — |
Architetture più simili
- 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
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
47 campi
| 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 |