axteam/GLM-4.7-Flash-NVFP4A16

GLM-4.7-Flash · NVFP4A16 (W4A16, FP4 weights)

4-bit quantization of zai-org/GLM-4.7-Flash for vLLM serving. Quantized by axteam.

Base model	zai-org/GLM-4.7-Flash
Method	NVFP4A16 (W4A16, FP4 weights)
Format	compressed-tensors nvfp4-pack-quantized
Weights / activations	W4A16 — FP4 (E2M1) weights group 16 + FP8 scale, BF16 activations
Architecture	MoE (GLM-4.7 Lite · Glm4MoeLite) · 31.2B · 202K context · text-only
Size on disk	~18.9 GB
Calibration	None (data-free, name-based model_free_ptq)
License	mit

Quantization details

• Scheme — W4A16 — FP4 (E2M1) weights group 16 + FP8 scale, BF16 activations, stored as compressed-tensors nvfp4-pack-quantized.
• Kept in BF16 — token embeddings, the LM head, and all RMSNorms. Only attention & MLP projections are quantized. In addition, the MoE router is left unquantized: mlp.gate.weight in BF16 and mlp.gate.e_score_correction_bias in FP32, as in the original. The MTP layer (model.layers.47: eh_proj, shared_head.head) is quantized like the other layers.
• Post-training quantization (no retraining). Tokenizer / chat_template identical to the original.
• FP4 global scales are shared across the pairs vLLM fuses — q_a_proj + kv_a_proj_with_mqa (MLA) and gate_proj + up_proj of every routed and shared expert.

Revision 2026-10-31: the first upload of this repo (same day) quantized those pairs with separate global scales. vLLM runs each pair as one GEMM with one scale, so that build produced corrupted text. The weights were re-quantized and replaced; if you downloaded this repo before the fix, please download it again.

Benchmarks (measured)

Every column was measured with the same harness and settings — lm-evaluation-harness on vLLM, greedy, completion-style prompts without a chat template (0- or 5-shot, as listed in each row). MMLU here is lm-eval's generative variant (mmlu_generative: the model writes the answer letter and only an exact match on the first line counts), so it is not directly comparable with MMLU scores measured another way (e.g. log-likelihood scoring). Percentages are recovery vs. the BF16 original.

Benchmark	BF16 (original)	FP8-dynamic	NVFP4A16 (this repo)
MMLU (5-shot, generative)	72.19	71.78 (99.4%)	69.97 (96.9%)
GSM8K (5-shot, strict)	83.70	82.71 (98.8%)	79.83 (95.4%)
ARC-Challenge (0-shot)	57.51	57.51 (100.0%)	55.03 (95.7%)
Winogrande (5-shot)	74.51	73.32 (98.4%)	73.40 (98.5%)
KMMLU (5-shot, direct)	50.04	50.15 (100.2%)	47.38 (94.7%)
HAE-RAE (0-shot)	64.89	63.89 (98.4%)	59.67 (91.9%)
Average	67.14	66.56 (99.1%)	64.21 (95.6%)

⚠️ Note: average recovery is 95.6% — noticeable degradation at this precision; prefer an 8-bit build if quality matters most.

Requirements

Runtime	vLLM — the architecture is in vLLM ≥ 0.15.0; tested here with vLLM 0.32.0.
vLLM install	vLLM 0.32 itself needs Python 3.11–3.14, torch 2.13 (CUDA 13.0 build, so an NVIDIA driver with CUDA 13 support), transformers ≥5.16.1,<5.20 and compressed-tensors 0.17.0 (both pinned by vLLM; 0.17.0 reads this checkpoint, which was saved with 0.19.0 — do not upgrade it separately).
GPU	NVIDIA Turing (sm75) or newer — weight-only FP4, no FP4 tensor cores needed. V100 (sm70) is not supported. (Kernel choice per GPU from vLLM 0.32's selection code; only B200 was run here.)
Memory	Weights: 18.9 GB. Add KV cache (grows with context length × concurrent requests) and a few GB for activations / CUDA graphs; use --tensor-parallel-size N when the weights do not fit one GPU.
Transformers (without vLLM)	Not loadable correctly by Transformers (checked up to 5.22.1) — use vLLM.
trust_remote_code	not needed

Usage (vLLM)

Start an OpenAI-compatible server:

vllm serve axteam/GLM-4.7-Flash-NVFP4A16 --max-model-len 32768

Query it:

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "axteam/GLM-4.7-Flash-NVFP4A16",
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "temperature": 1.0, "max_tokens": 512
}'

Offline inference in Python:

from vllm import LLM, SamplingParams

llm = LLM(model="axteam/GLM-4.7-Flash-NVFP4A16", max_model_len=32768)
params = SamplingParams(temperature=1.0, max_tokens=1024)
out = llm.chat([{"role": "user", "content": "Explain model quantization in two sentences."}], params)
print(out[0].outputs[0].text)

Recommended sampling (from the original generation_config.json): temperature=1.0. Thinking mode is on by default in the chat template; to turn it off pass chat_template_kwargs={"enable_thinking": False} (Python llm.chat(..., chat_template_kwargs=...), or "chat_template_kwargs": {"enable_thinking": false} in the request body).

Reducing KV-cache memory (optional, serve-time)

The KV cache is kept in BF16 by default. KV-cache precision is a runtime choice, independent of the weight quantization above; for long contexts or large batches FP8 roughly halves KV-cache memory:

vllm serve axteam/GLM-4.7-Flash-NVFP4A16 --kv-cache-dtype fp8

License

Quantized derivative of zai-org/GLM-4.7-Flash (mit).

---

한국어 요약

zai-org/GLM-4.7-Flash의 NVFP4A16 (W4A16) 양자화 빌드 · 제작 axteam

개요

항목	내용
원본 모델	zai-org/GLM-4.7-Flash
양자화 방식	NVFP4A16 (W4A16, FP4 가중치)
저장 형식	compressed-tensors nvfp4-pack-quantized
모델 구조	MoE (GLM-4.7 Lite, Glm4MoeLite) · 31.2B · 컨텍스트 202K · 텍스트 전용
용량	약 18.9 GB
보정 데이터	없음 (가중치만으로 스케일 계산, 이름 기반 model_free_ptq)

양자화 상세

• 가중치: FP4(E2M1), 그룹 크기 16 + 그룹별 FP8 스케일 (아래 결합 쌍은 전역 스케일 공유)
• 활성화: BF16 (양자화하지 않음)
• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), 보정 데이터 없이 가중치만으로 스케일을 정해 반올림(RTN)
• BF16 유지: 토큰 임베딩, LM 헤드, 모든 RMSNorm, MoE 라우터 가중치(mlp.gate.weight)
• FP32 유지: MoE 라우터 보정 편향(mlp.gate.e_score_correction_bias), 원본과 동일
• 양자화 대상: 어텐션·MLP 선형층(projection) (MTP 층 model.layers.47도 다른 층과 같이 양자화)
• 전역 스케일 공유: vLLM이 한 GEMM으로 합쳐 계산하는 쌍(MLA q_a_proj+kv_a_proj_with_mqa, 모든 라우팅 대상 전문가(routed expert)·공유 전문가의 gate_proj+up_proj)은 FP4 전역 스케일 하나를 공유
• 원본 파일: 토크나이저·chat template은 원본과 동일

품질 (실측)

• 벤치마크 평균: 64.21 (원본 67.14, 95.6%) — MMLU(생성형)·GSM8K·ARC-Challenge·Winogrande·KMMLU·HAE-RAE 6종 평균, lm-evaluation-harness + vLLM, chat template 없는 완성형 프롬프트(과제별 0·5-shot, 표 참고)·greedy, 모든 빌드를 같은 설정으로 측정
• 한국어 벤치마크: KMMLU 47.38 (원본 50.04, 94.7%) · HAE-RAE 59.67 (원본 64.89, 91.9%)
• MMLU 방식: lm-eval 생성형 변형(mmlu_generative) — 모델이 답 글자를 생성하고 첫 줄이 정확히 일치해야 정답으로 채점하므로, 다른 방식(예: log-likelihood 채점)으로 잰 MMLU 점수와 직접 비교 불가
• 주의: ⚠️ 이 정밀도에서 품질 저하가 뚜렷함 (벤치마크 평균 원본 대비 95.6%) — 품질이 중요하면 8비트 빌드(axteam/GLM-4.7-Flash-FP8-dynamic) 권장

요구사항

• 실행 엔진: vLLM 0.15.0 이상(이 구조를 지원하는 첫 버전), 이 빌드는 vLLM 0.32.0에서 실행 확인
• vLLM 0.32 설치 조건: Python 3.11~3.14, torch 2.13(CUDA 13.0 빌드, CUDA 13 지원 드라이버 필요), transformers 5.16.1 이상 5.20 미만, compressed-tensors 0.17.0 — transformers·compressed-tensors는 vLLM이 버전을 고정하므로 compressed-tensors를 따로 업그레이드하지 말 것 (이 체크포인트는 0.19.0으로 저장됐지만 0.17.0에서도 로드됨)
• GPU: NVIDIA Turing(sm75) 이상, V100(sm70) 미지원 — 가중치 전용 FP4라 FP4 전용 텐서코어 불필요 (GPU별 지원 여부는 vLLM 0.32 커널 선택 코드 기준, 실제 실행은 B200에서만 확인)
• 메모리: 가중치 18.9 GB + KV 캐시(컨텍스트 길이 × 동시 요청 수에 비례) + 활성화·CUDA graph용 수 GB — GPU 한 장에 다 들어가지 않으면 --tensor-parallel-size N으로 분산
• Transformers로 직접 사용: 불가 — 5.22.1까지 올바르게 로드되지 않음 확인, vLLM 사용
• trust_remote_code: 불필요

사용법

• 서버 실행: vllm serve axteam/GLM-4.7-Flash-NVFP4A16 --max-model-len 32768 — OpenAI 호환 API
• Python: LLM(model="axteam/GLM-4.7-Flash-NVFP4A16", max_model_len=32768).chat(...) — 전체 예시는 위 영어 본문 'Usage (vLLM)' 절 참고
• 권장 샘플링: temperature=1.0 (원본 generation_config.json 기준)
• thinking 모드: 기본 켜짐 — 끄려면 chat_template_kwargs={"enable_thinking": False} 전달(Python은 llm.chat() 인자, HTTP는 요청 본문의 "chat_template_kwargs": {"enable_thinking": false})
• KV 캐시 절감(선택): vllm serve에 --kv-cache-dtype fp8 추가 — 기본 BF16인 KV 캐시를 FP8로 저장해 KV 캐시 메모리를 약 절반으로 줄임 (긴 컨텍스트·동시 요청이 많을 때 유리, 가중치 양자화와 별개인 실행 옵션)

참고

• 수정 이력 (2026-10-31): 처음 올린 빌드는 vLLM이 한 GEMM으로 계산하는 가중치 쌍의 FP4 전역 스케일이 서로 달라 출력이 깨졌음 — 다시 양자화해 교체, 이전에 받았다면 다시 받을 것

라이선스

• 라이선스: MIT — 원본 모델의 라이선스를 그대로 따름
• 권리: 원본 모델의 권리는 Z.ai에게 있음, 이 리포는 양자화 파생물