GLM-4-9B-0414 · GGUF (llama.cpp)

GGUF quantizations of zai-org/GLM-4-9B-0414 for llama.cpp / Ollama / LM Studio. Produced by axteam, converted with the official llama.cpp convert_hf_to_gguf.py (the original chat_template is embedded).

Files

File	Size	Notes
`GLM-4-9B-0414-Q2_K.gguf`	4.0 GB	2-bit k-quant — smallest, noticeable quality loss (for tight memory).
`GLM-4-9B-0414-Q3_K_M.gguf`	5.0 GB	3-bit k-quant (medium) — small, some quality loss.
`GLM-4-9B-0414-Q4_K_M.gguf`	6.2 GB	4-bit k-quant (medium) — recommended size/quality balance.
`GLM-4-9B-0414-Q5_K_M.gguf`	7.1 GB	5-bit k-quant (medium) — high quality.
`GLM-4-9B-0414-Q6_K.gguf`	8.3 GB	6-bit k-quant — high quality, larger.
`GLM-4-9B-0414-Q8_0.gguf`	10.0 GB	8-bit — closest to the original.

Quantization method

These GGUF files are post-training quantization (PTQ) made with llama.cpp (convert_hf_to_gguf.py → llama-quantize): the BF16 weights are quantized block-wise (k-quants: per-block scales with mixed bit allocation), with no retraining. The original chat_template is embedded in each file.

Measured on GPU (llama.cpp)

llama.cpp b12005 (commit e0f142d, CUDA build) on an NVIDIA B200, 2026-11-02, all layers on the GPU: perplexity over 16 windows of 2,048 tokens from the WikiText-2 test set and from a Korean Wikipedia sample (lower is better). This repo has no BF16 file, so percentages are relative to Q8_0, the file closest to the original.

File	WikiText-2 PPL	Korean wiki PPL	vs Q8_0 (EN / KO)
`GLM-4-9B-0414-Q8_0.gguf`	8.10	4.84	reference
`GLM-4-9B-0414-Q6_K.gguf`	8.12	4.85	+0.3% / +0.1%
`GLM-4-9B-0414-Q5_K_M.gguf`	8.13	4.88	+0.4% / +0.7%
`GLM-4-9B-0414-Q4_K_M.gguf`	8.22	4.93	+1.4% / +1.8%
`GLM-4-9B-0414-Q3_K_M.gguf`	8.61	5.13	+6.3% / +6.0%
`GLM-4-9B-0414-Q2_K.gguf`	10.25	6.27	+26.5% / +29.5%

16 windows per text is a small sample: differences of a few percent between files are within its sampling noise (re-measuring two repos with 64 windows moved such differences by up to ~19 points).

Requirements


llama.cpp	build ≥ b6325 — architecture `glm4` needs ≥ b5115, and the commands on this card use `-fa on` (≥ b6325). Run here on 2026-11-02 with b12005 (commit e0f142d, CUDA build) on an NVIDIA B200: every file in this repo loaded with all layers on the GPU, its perplexity was measured (see Measured on GPU above) and two short chat questions (capital of France / of Korea) were answered correctly with every file.
Memory	the chosen GGUF file (sizes in the table) plus KV cache for the context (`-c`); `--cache-type-k/v q8_0 -fa on` halves the KV cache.
Input	text.
Ollama / LM Studio	not tested here.

Run with llama.cpp

# pull one quant straight from the Hub and serve an OpenAI-compatible API on :8080
llama-server -hf axteam/GLM-4-9B-0414-GGUF:Q4_K_M -c 8192 --jinja

# or download a single file and chat in the terminal
hf download axteam/GLM-4-9B-0414-GGUF GLM-4-9B-0414-Q4_K_M.gguf --local-dir .
llama-cli -m GLM-4-9B-0414-Q4_K_M.gguf -c 8192 --jinja

Query the server:

curl http://localhost:8080/v1/chat/completions -H "Content-Type: application/json" -d '{
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "max_tokens": 512
}'

Reduce KV-cache memory (optional, run-time)

KV-cache type is chosen at run time in llama.cpp (it is not baked into the file):

llama-server -hf axteam/GLM-4-9B-0414-GGUF:Q4_K_M -c 8192 --jinja --cache-type-k q8_0 --cache-type-v q8_0 -fa on

Ollama

ollama run hf.co/axteam/GLM-4-9B-0414-GGUF:Q4_K_M

LM Studio

Search for axteam/GLM-4-9B-0414-GGUF in the model browser and pick a quant (e.g. Q4_K_M).

License

Quantized derivative of zai-org/GLM-4-9B-0414 (MIT). Original weights & tokenizer belong to Z.ai / zai-org.

한국어 요약

zai-org/GLM-4-9B-0414의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

항목	내용
원본 모델	`zai-org/GLM-4-9B-0414`
형식	GGUF (llama.cpp)
변환 도구	llama.cpp `convert_hf_to_gguf.py` → `llama-quantize`
파일 수	6개

양자화 상세

양자화 절차: PTQ(학습 후 양자화, 재학습 없음), llama.cpp 블록 단위 양자화(k-quant Q*_K, Q8_0)
chat template: GGUF 파일에 내장
품질(실측, 2026-11-02): llama.cpp PPL(WikiText-2·한국어 위키 표본, 2,048토큰×16, B200 GPU, 낮을수록 좋음, 리포에 BF16 파일이 없어 원본에 가장 가까운 Q8_0 기준) — GLM-4-9B-0414-Q8_0.gguf 영어 8.10·한국어 4.84 · GLM-4-9B-0414-Q6_K.gguf 영어 8.12·한국어 4.85(Q8_0 대비 +0.3%·+0.1%) · GLM-4-9B-0414-Q5_K_M.gguf 영어 8.13·한국어 4.88(Q8_0 대비 +0.4%·+0.7%) · GLM-4-9B-0414-Q4_K_M.gguf 영어 8.22·한국어 4.93(Q8_0 대비 +1.4%·+1.8%) · GLM-4-9B-0414-Q3_K_M.gguf 영어 8.61·한국어 5.13(Q8_0 대비 +6.3%·+6.0%) · GLM-4-9B-0414-Q2_K.gguf 영어 10.25·한국어 6.27(Q8_0 대비 +26.5%·+29.5%) — 텍스트당 16청크라 파일 사이 몇 % 차이는 표본 흔들림 범위

제공 파일

파일	크기	설명
`GLM-4-9B-0414-Q2_K.gguf`	4.0 GB	2비트 k-quant — 가장 작음, 품질 저하 큼 (메모리가 부족할 때)
`GLM-4-9B-0414-Q3_K_M.gguf`	5.0 GB	3비트 k-quant — 작음, 품질 다소 저하
`GLM-4-9B-0414-Q4_K_M.gguf`	6.2 GB	4비트 k-quant — 크기·품질 균형 (권장)
`GLM-4-9B-0414-Q5_K_M.gguf`	7.1 GB	5비트 k-quant — 고품질
`GLM-4-9B-0414-Q6_K.gguf`	8.3 GB	6비트 k-quant — 고품질, 용량 큼
`GLM-4-9B-0414-Q8_0.gguf`	10.0 GB	8비트 — 원본에 가장 가까움

요구사항

llama.cpp: b6325 이상 (glm4 구조 지원 b5115부터, 예시 명령의 -fa on 옵션 b6325부터)
실행 확인: 2026-11-02 b12005(커밋 e0f142d) CUDA 빌드로 NVIDIA B200에서 이 리포의 모든 파일을 전 층 GPU에 올려 실행 — PPL 측정(위 영어 본문 표), 모든 파일에서 짧은 질문 2개(프랑스·대한민국 수도)에 바르게 답함
메모리: 선택한 GGUF 파일 크기 + 컨텍스트(-c)만큼의 KV 캐시 (KV 캐시 줄이는 방법은 아래 사용법 참고)
입력: 텍스트
Ollama·LM Studio: 제작 측에서 실행 미확인

사용법

파일 받기: hf download axteam/GLM-4-9B-0414-GGUF GLM-4-9B-0414-Q4_K_M.gguf --local-dir . (아래 -m 명령에 필요, 다른 양자화는 파일명의 Q4_K_M만 변경)
서버 실행: llama-server -hf axteam/GLM-4-9B-0414-GGUF:Q4_K_M -c 8192 --jinja — OpenAI 호환 API
터미널 대화: llama-cli -m GLM-4-9B-0414-Q4_K_M.gguf -c 8192 --jinja
Ollama: ollama run hf.co/axteam/GLM-4-9B-0414-GGUF:Q4_K_M
LM Studio: 모델 검색에서 axteam/GLM-4-9B-0414-GGUF 입력 후 양자화 단계 선택
KV 캐시 절감(선택): --cache-type-k q8_0 --cache-type-v q8_0 -fa on — KV 캐시 약 절반, GGUF 파일과 상관없이 실행 시 지정

라이선스

라이선스: MIT — 원본 모델의 라이선스를 그대로 따름
권리: 원본 가중치·토크나이저는 Z.ai 소유, 이 리포는 양자화 파생물

axteam/GLM-4-9B-0414-GGUF