GLM-4-9B-0414 · NVFP4A16 (W4A16, FP4 weights)

4-bit quantization of zai-org/GLM-4-9B-0414 for vLLM serving. Quantized by axteam.

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.
• Post-training quantization (no retraining). Tokenizer / chat_template identical to the original.

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.

Requirements

Usage (vLLM)

Start an OpenAI-compatible server:

vllm serve axteam/GLM-4-9B-0414-NVFP4A16 --max-model-len 32768

Query it:

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "axteam/GLM-4-9B-0414-NVFP4A16",
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "max_tokens": 512
}'

Offline inference in Python:

from vllm import LLM, SamplingParams

llm = LLM(model="axteam/GLM-4-9B-0414-NVFP4A16", max_model_len=32768)
params = SamplingParams(max_tokens=1024)
out = llm.chat([{"role": "user", "content": "Explain model quantization in two sentences."}], params)
print(out[0].outputs[0].text)

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-4-9B-0414-NVFP4A16 --kv-cache-dtype fp8

License

Quantized derivative of zai-org/GLM-4-9B-0414 (mit).

---

한국어 요약

zai-org/GLM-4-9B-0414의 NVFP4A16 (W4A16) 양자화 빌드 · 제작 axteam

개요

양자화 상세

• 가중치: FP4(E2M1), 그룹 크기 16 + 그룹별 FP8 스케일
• 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
• 양자화 대상: 어텐션·MLP 선형층(projection)
• 원본 파일: 토크나이저·chat template은 원본과 동일

품질 (실측)

• 벤치마크 평균: 65.29 (원본 66.15, 98.7%) — 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 48.05 (원본 48.34, 99.4%) · HAE-RAE 56.10 (원본 55.36, 101.3%)
• 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

요구사항

• 실행 엔진: vLLM 0.8.4 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, GLM-4-0414는 bf16 전용(float16 비활성)이라 실질적으로 Ampere(sm80) 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 7.1 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: transformers 4.56.0 이상 + compressed-tensors 0.15.0 이상 (구조 자체는 4.51.3부터 있으나 이 compressed-tensors 체크포인트는 4.56 이상에서만 로드 가능)
• trust_remote_code: 불필요

사용법

• 서버 실행: vllm serve axteam/GLM-4-9B-0414-NVFP4A16 --max-model-len 32768 — OpenAI 호환 API
• Python: LLM(model="axteam/GLM-4-9B-0414-NVFP4A16", max_model_len=32768).chat(...) — 전체 예시는 위 영어 본문 'Usage (vLLM)' 절 참고
• 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)

라이선스

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