GLM-4.7-Flash
فەرمی · BF16 · safetensors
ژینگەی کارپێکردن پشتڕاستکراوەتەوە: SGLang Transformers
| وردی / کوانتایزکردن | فۆرمات | بیت | متمانە بە بڵاوکەرەوە | دۆخی جێبەجێکردن |
|---|---|---|---|---|
| BF16 | safetensors | 16 | فەرمی | ژینگەی کارپێکردن پشتڕاستکراوەتەوە |
GLM · خێرا · GLM-4.7
GLM-4.7 Flash: تایبەتمەندی، پێداویستییەکانی GPU، میوانداری و جێبەجێکردن
GLM-4.7 Flash is a legacy Fast release in the GLM family, certified from its immutable official source revision.
کۆی پارامەتەرەکان٣٠٫٠B
پارامەتەرە چالاکەکان٣٫٠B
پەنجەرەی کۆنتێکست٢٠٢٬٧٥٢ tokens
دۆخی بڵاوکردنەوەکۆن · کۆن
تەلارسازیGlm4MoeLiteForCausalLM
شێوازەکاندەق
مۆڵەتmit
دۆخی جێبەجێکردنبە ڕێکخستنی پشتڕاستکراو جێبەجێ دەکرێت
دۆخی بازرگانیبەکارهێنانی بازرگانی ڕێگەپێدراوە
بەرواری بڵاوکردنەوە2026-01-19
تەلارسازی، بەهێزییەکان و بەکارهێنان
GLM-4.7 Flash is an official self-hostable Z.ai release in the GLM Fast track. It uses Glm4MoeLiteForCausalLM, carries 30B / 3B MoE, supports a verified context window of 202,752 تۆکنەکان, and exposes only source-certified خاڵەکانی وەشان and ژینگەی جێبەجێکردن combinations. Its release, license and deployment facts are tied to the official repository revision rather than inferred from the family name.
GLM-4.7 Flash uses Glm4MoeLiteForCausalLM with 30B / 3B MoE. The stored architecture profile records 47 layers, hidden width 2048, 20 attention heads and a 202,752 تۆکن context ceiling where the official configuration publishes those fields.
Verified Glm4MoeLiteForCausalLM architecture
202,752 تۆکن certified context
Official BF16 خاڵی وەشان coverage
Private LLM inference
Agentic workflows
Long-context document processing
خاڵەکانی پشکنین و کوانتایزکردنی پشتڕاستکراو
تەنها ئەو جۆرە وردانە پیشان دەدرێن کە سەرچاوە پشتڕاستی کردوونەوە و بەو وەشانەوە بەستراونەتەوە.
سەختەواڵەی پێشنیارکراو
Use only the listed sglang, transformers ژینگەی جێبەجێکردن configuration with the exact خاڵی وەشان precision. The recommendation engine checks weight memory, کاشی KV, ژینگەی جێبەجێکردن overhead, safety توانای زیادەی بەردەست, GPU architecture and topology before ranking rentable and reference hardware.
بیرگەی خەمڵێنراوی کێش57.56 GB
کاشی KV2.93 GB
پێداویستییە زیادەکانی ژینگەی کارپێکردن15.61 GB
کۆی گشتی لەگەڵ پاشەکەوتی ئاسایش94.35 GB
باشترین بەهای پێشنیارکراو
2× NVIDIA A100 SXM 80GB
160 GB کۆی VRAM · nvlink
65.65 GB بۆشایی پاشەکەوت · بەردەستە
USD ١٬٨٣٠ / مانگهەرزانترین هەڵبژاردەی کارا
4× NVIDIA L4 24GB
96 GB کۆی VRAM · pcie
1.65 GB بۆشایی پاشەکەوت · بەردەستە
USD ١٬٠٠٠ / مانگبەرزترین کارایی
2× NVIDIA A100 SXM 80GB
160 GB کۆی VRAM · nvlink
65.65 GB بۆشایی پاشەکەوت · بەردەستە
USD ١٬٨٣٠ / مانگمۆڵەت و بڕیارەکانی میوانداری لەسەر خۆت
The full 30B resident weight set must fit across the selected GPUs. Context and concurrency add KV-cache memory; MoE active parameters do not replace resident-weight memory.
GLM-4.7 Flash is published under mit. The release-scoped official license link and verification date are retained with the catalogue record.
بەکارهێنانی بازرگانی ڕێگەپێدراوە. مۆڵەتی فەرمی بەکارهێنانی بازرگانی ڕێگەپێدەدات؛ پابەندییەکانی هێشتا جێبەجێ دەبن.
جێگرەوەکان و جۆرە هاوتەمەنەکان
GLM-5.3-Flash
ڕێڕەوی کاتیی وەشان
zai/glm/glm-4-7-flash
وردەکاریی سەرچاوە
وەشانی سەرچاوە: dcf13b0a7be7e03cf02d6537df02dac6875b209cb9b1f81c247c89652729b9ca
پرسیارە باوەکان
How much VRAM does GLM-4.7 Flash require?
The exact estimate depends on خاڵی وەشان precision, context and concurrency; the page recommendation uses the certified memory engine and compatible ژینگەی جێبەجێکردن configurations.
Which ژینگەکانی جێبەجێکردن پشتگیری GLM-4.7 Flash?
Certified upstream ژینگەی جێبەجێکردن evidence is available for sglang, transformers.
Can GLM-4.7 Flash be used commercially?
The stored commercial classification is Commercial Use Allowed. Consult the official mit terms for the final obligations.
سەرچاوە فەرمییەکان
دوا جار پشتڕاستکراوەتەوە: 2026-09-03