GLM-130B

系统要求

不同量化方法和上下文大小的显存要求

没有可用的 GLM-130B 评估基准。

关于 GLM-130B

GLM-130B 是一个拥有 1300 亿参数的双向密集模型，专为中英文语言处理而开发。该模型采用通用语言模型（GLM）算法进行预训练，该算法利用了自回归空白填充目标。这种预训练方法涉及对随机连续文本跨度进行掩码，并随后以自回归方式预测这些被掩码的片段。这种方法论提升了它在各种自然语言处理任务中的性能，包括文本理解、生成和翻译。

GLM-130B 的架构设计融合了特定的创新，以增强这种规模模型的训练稳定性和推理效率。它利用旋转位置编码（RoPE）进行位置嵌入，并在其前馈网络（FFN）中集成了门控线性单元（GLU）和高斯误差线性单元（GeLU）激活函数。该模型还采用了 DeepNorm 进行层归一化，这是一种后层归一化（Post-LN）技术，已被证明能够稳定大规模语言模型的训练。

GLM-130B 支持快速推理，使其适用于实时大规模语言处理任务。它旨在实现在单台 A100 (40G * 8) 或 V100 (32G * 8) 服务器上进行推理。进一步的优化（如 INT4 量化）允许在更普及的硬件上进行高效推理，包括配备 4 块 RTX 3090 (24G) GPU 的单台服务器，且性能损耗极小。该模型在超过 4000 亿个文本标记（tokens）上进行了训练，其中中英文数据各占一半。

技术规格

资源

关于 GLM Family

Z.ai 通用语言大模型

其他 GLM Family 模型

• GLM-4-9B-Chat
• GLM-4-9B-Chat-1M
• GLM-4V
• GLM-4-9B
• GLM-4
• GLM-4.5-Air
• GLM-4.5