GLM-4.7-Flash · GGUF (llama.cpp)

GGUF quantizations of zai-org/GLM-4.7-Flash 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).

Revision 2026-11-02: the Q3_K_M and Q2_K files were removed from this repo: Q3_K_M because its perplexity check gave a result that could not be explained, Q2_K because it failed the chat check (it never answered the Korean question in Korean, only repeating English commentary until the 256-token limit). The other files are unchanged.

Files

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.

Requirements

Run with llama.cpp

# pull one quant straight from the Hub and serve an OpenAI-compatible API on :8080
llama-server -hf axteam/GLM-4.7-Flash-GGUF:Q4_K_M -c 8192 --jinja

# or download a single file and chat in the terminal
hf download axteam/GLM-4.7-Flash-GGUF GLM-4.7-Flash-Q4_K_M.gguf --local-dir .
llama-cli -m GLM-4.7-Flash-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?"}],
  "temperature": 1.0, "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-4.7-Flash-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-4.7-Flash-GGUF:Q4_K_M

LM Studio

Search for axteam/GLM-4.7-Flash-GGUF in the model browser and pick a quant (e.g. Q4_K_M).

Recommended sampling (from the original generation_config.json): temperature=1.0.

License

Quantized derivative of zai-org/GLM-4.7-Flash (MIT). Original weights & tokenizer belong to Z.ai / zai-org.

---

한국어 요약

zai-org/GLM-4.7-Flash의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

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: PPL을 쟀으나 싣지 않음 — 이후 이 리포에서 삭제한 Q3_K_M 파일이 원인을 찾지 못한 채 Q8_0보다 크게 낮게 나와 이 모델의 PPL 측정은 쓰지 않음
• 수정 이력 (2026-11-02): Q3_K_M·Q2_K 파일 삭제 — Q3_K_M은 PPL 점검 결과를 설명할 수 없었고, Q2_K는 질문 점검에서 한국어 질문에 한국어로 답하지 못하고 영어 설명문만 256토큰 한도까지 되풀이함, 나머지 파일은 그대로

제공 파일

요구사항

• llama.cpp: b10251 이상 (deepseek2 구조 + MTP 층 지원 b10251부터, 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 — 모든 파일에서 짧은 질문 2개(프랑스·대한민국 수도)에 바르게 답함, PPL도 쟀으나 싣지 않음(이후 이 리포에서 삭제한 Q3_K_M 파일이 원인을 찾지 못한 채 영어 텍스트에서 16·64청크 모두 Q8_0보다 크게 낮게 나와 이 모델의 PPL 측정은 쓰지 않음)
• 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-4.7-Flash-GGUF GLM-4.7-Flash-Q4_K_M.gguf --local-dir . (아래 -m 명령에 필요, 다른 양자화는 파일명의 Q4_K_M만 변경)
• 서버 실행: llama-server -hf axteam/GLM-4.7-Flash-GGUF:Q4_K_M -c 8192 --jinja — OpenAI 호환 API
• 터미널 대화: llama-cli -m GLM-4.7-Flash-Q4_K_M.gguf -c 8192 --jinja
• Ollama: ollama run hf.co/axteam/GLM-4.7-Flash-GGUF:Q4_K_M
• LM Studio: 모델 검색에서 axteam/GLM-4.7-Flash-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
• 권장 샘플링: temperature=1.0 (원본 generation_config.json 기준)

라이선스

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