Instructions to use ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- MLX
How to use ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 with MLX:
# Make sure mlx-vlm is installed # pip install --upgrade mlx-vlm from mlx_vlm import load, generate from mlx_vlm.prompt_utils import apply_chat_template from mlx_vlm.utils import load_config # Load the model model, processor = load("ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8") config = load_config("ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8") # Prepare input image = ["http://images.cocodataset.org/val2017/000000039769.jpg"] prompt = "Describe this image." # Apply chat template formatted_prompt = apply_chat_template( processor, config, prompt, num_images=1 ) # Generate output output = generate(model, processor, formatted_prompt, image) print(output) - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- LM Studio
- Pi
How to use ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 with Pi:
Start the MLX server
# Install MLX LM: uv tool install mlx-lm # Start a local OpenAI-compatible server: mlx_lm.server --model "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8"
Configure the model in Pi
# Install Pi: npm install -g @earendil-works/pi-coding-agent # Add to ~/.pi/agent/models.json: { "providers": { "mlx-lm": { "baseUrl": "http://localhost:8080/v1", "api": "openai-completions", "apiKey": "none", "models": [ { "id": "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8" } ] } } }Run Pi
# Start Pi in your project directory: pi
- Hermes Agent
How to use ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 with Hermes Agent:
Start the MLX server
# Install MLX LM: uv tool install mlx-lm # Start a local OpenAI-compatible server: mlx_lm.server --model "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8"
Configure Hermes
# Install Hermes: curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash hermes setup # Point Hermes at the local server: hermes config set model.provider custom hermes config set model.base_url http://127.0.0.1:8080/v1 hermes config set model.default ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8
Run Hermes
hermes
- Atomic Chat
- OpenClaw
How to use ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 with OpenClaw:
Start the MLX server
# Install MLX LM: uv tool install mlx-lm # Start a local OpenAI-compatible server: mlx_lm.server --model "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8"
Configure OpenClaw
# Install OpenClaw: npm install -g openclaw@latest # Register the local server and set it as the default model: openclaw onboard --non-interactive --mode local \ --auth-choice custom-api-key \ --custom-base-url http://127.0.0.1:8080/v1 \ --custom-model-id "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8" \ --custom-provider-id mlx-lm \ --custom-compatibility openai \ --custom-text-input \ --accept-risk \ --skip-health
Run OpenClaw
openclaw agent --local --agent main --message "Hello from Hugging Face"
Download README.md from ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8: direct link, hf CLI and curl.
- Browser
- Download file 3.77 kB
-
https://huggingface.co/ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8/resolve/main/README.md
- Command line
-
hf download hf://ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8/README.md
-
curl -L -o README.md https://huggingface.co/ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8/resolve/main/README.md
library_name: mlx
license: mit
license_link: LICENSE
pipeline_tag: image-text-to-text
base_model: zai-org/GLM-5.3-Flash-BF16
tags:
- mlx
GLM-5.3-Flash-mlx-3bit-e3o8
zai-org/GLM-5.3-Flash-BF16(合計 320B・1 トークン 18B の MoE)の MLX 版。 エキスパートだけを 3bit、ほかの線形層を 8bit にしたもの。手元の評価では、エキスパート 4bit 版と区別がつかなかった。
- サイズ: 134 GiB(143.9GB)。モデルサーバーのメモリは約 135GB(phys_footprint)
- 量子化(affine):
- ルーティングされるエキスパート(
switch_mlp.{gate,up,down}_proj、42 層 × 3): 3bit g64 - 注意機構・共有エキスパート・先頭 3 層の dense MLP・埋め込み・出力層など、ほかの線形層: 8bit g64
- MoE のルーター(
mlp.gate)・画像部分: 量子化しない(bf16) - mHC・減衰の配列など: mlx-vlm の判定どおり fp32
- MTP 層(層 45): mlx-vlm の変換と同じく含めない
- ルーティングされるエキスパート(
作り方
bf16(643GB)と出力を同時に置けないため、シャードを層ごとに落とし、mlx-vlm 0.7.11 の convert と同じ手順
(sanitize → 型の変換 → quantize_model)を層ごとに当てて保存した。
先頭 5 層だけに縮めたモデルで mlx_vlm.convert の出力と比べ、すべてのテンソル・config・ほかのファイルが一致することを確かめてある。
評価
reasoning_effort: "low"(後述)、温度 0.6・top_p 0.95・top_k 20、各ケース 5 回。mlx-vlm 0.7.11 のモデルサーバーを直接使い、MTP なし。
probe は日本語・英語の短い問答 34 問、道具は呼び出しの場面 20 種を日本語と英語でそれぞれ。
| e4o8(エキスパート 4bit・非公開) | e3o8(このリポジトリ) | e2o8(エキスパート 2bit g128・非公開) | |
|---|---|---|---|
| 重みの大きさ | 181.9GB | 143.9GB | 96.3GB |
| モデルサーバーのメモリ | 約 170GB | 135GB | 91GB |
| probe 正答 | 100% | 100% | 90.4% |
| 日本語の道具 | 100% | 100% | 95% |
| 英語の道具 | 100% | 100% | 99% |
| 同じ句の繰り返しに陥る(probe) | 0% | 0% | 2.9% |
| 生成速度 | 29.6 tok/s | 30.3 tok/s | 31.8 tok/s |
生成速度は M3 Ultra、温度 0・400 トークン × 3 問の平均。
- エキスパートを 2bit にすると壊れる(読みの誤り、事実の誤り、同じ句の繰り返し)。3bit が実用の下限。
- ビットを下げても生成はほとんど速くならない。MoE では 1 トークンで読むエキスパートが一部だけなので、読む量の差が小さいため。
- 長い会話・画像入力は試していない。
思考の切り替え
チャットテンプレートに思考を切るスイッチは無く、reasoning_effort(low / high / max、既定は max)で深さを選ぶ。
low にすると、ほぼ思考せずに答える(思考欄に短いメモが出ることはある)。
mlx-vlm のサーバーでは、reasoning_effort をリクエストのトップレベルに置く(chat_template_kwargs の中に入れると効かない)。
curl http://127.0.0.1:8080/v1/chat/completions -H 'Content-Type: application/json' -d '{
"model": "ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8",
"messages": [{"role": "user", "content": "こんにちは"}],
"reasoning_effort": "low"
}'
使い方
pip install -U mlx-vlm
python -m mlx_vlm generate --model ToPo-ToPo/GLM-5.3-Flash-mlx-3bit-e3o8 \
--prompt "日本の都道府県の数を教えてください" --max-tokens 512
元のモデルのライセンス(MIT)に従う。