> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/modeles/glm-5.1.md). # GLM-5.1 - Comment l'exécuter localement GLM-5.1 est le nouveau modèle ouvert de Z.ai. Par rapport à [GLM-5](/docs/fr/modeles/tutorials/glm-5.md), il apporte des améliorations majeures en codage, en utilisation d'outils agentiques, en raisonnement, en jeu de rôle, dans les tâches agentiques à long horizon et dans la qualité globale du chat. Le modèle complet GLM-5.1 de 744B de paramètres (40B actifs) a une **fenêtre de contexte de 200K** et nécessite **1.65TB** d'espace disque. Unsloth Dynamic 2-bit GGUF réduit la taille à **220GB** **(-80%)**, et la version dynamique **1 bit fait 200GB (-85 %) :** [**GLM-5.1-GGUF**](https://huggingface.co/unsloth/GLM-5.1-GGUF) Tous les téléversements utilisent Unsloth [Dynamic 2.0](/docs/fr/notions-de-base/dynamic-3.0-ggufs.md) pour des performances de quantification de pointe - ainsi, les bits plus faibles ont leurs couches importantes remontées en 8 ou 16 bits. Merci à Z.ai d'avoir fourni à Unsloth un accès dès le jour zéro. #### :gear: Guide d'utilisation La quantification dynamique moyenne en 2 bits `UD-IQ2_M` utilise **236GB** d'espace disque - cela peut directement tenir sur un **Mac avec 256 Go de mémoire unifiée** et fonctionne bien sur un **GPU 1x24 Go** et **256 Go de RAM** avec déchargement MoE. La **1 bit** quantification tiendra dans 220GB de RAM et la version 8 bits nécessite 805GB de RAM. {% hint style="success" %} Pour des performances optimales, assurez-vous que votre mémoire totale disponible (VRAM + RAM système) dépasse la taille du fichier du modèle quantifié que vous téléchargez. Si ce n'est pas le cas, llama.cpp peut toujours fonctionner via le déchargement sur SSD/HDD, mais l'inférence sera plus lente. {% endhint %} ### Paramètres recommandés Utilisez des paramètres distincts pour différents cas d'utilisation : | Paramètres par défaut (la plupart des tâches) | Terminal Bench | | --------------------------------------------- | ---------------------- | | `température` = 1.0 | `température` = 0.7 | | `top_p` = 0.95 | `top_p` = 1.0 | | max new tokens = 131072 | max new tokens = 16384 | * **Fenêtre de contexte maximale :** `202,752`. * Dans GLM-5.1, la réflexion est activée par défaut. Pour la désactiver : {% code expandable="true" %} ```bash --chat-template-kwargs '{"enable_thinking":false}' ``` {% endcode %} #### Mise à jour du modèle de conversation GLM-5.1 adopte la même architecture que GLM-5, simplement `chat_template.jinja` est différent. * Prend en charge l'outil de recherche de Claude. Les outils avec `defer_loading=True` sont omis de l'invite système et affichés à la place dans les résultats des outils. * Autoriser des blocs de raisonnement vides (``) dans les messages de l'assistant. Les messages consécutifs de l'assistant doivent rester dans le même mode, soit en réflexion, soit sans réflexion. * Globalement, GLM-5.1 améliore בעיקר l'exposition aux outils, la reconstruction de l'historique de raisonnement et le rendu des messages d'outils. ## Exécuter les tutoriels GLM-5.1 : Vous pouvez désormais exécuter GLM-5.1 dans [llama.cpp](#run-in-llama.cpp) et [Unsloth Studio](#run-in-unsloth-studio). ### 🦥 Exécuter dans Unsloth Studio GLM-5.1 peut désormais s'exécuter dans [Unsloth Studio](/docs/fr/nouveau/studio.md), notre nouvelle interface web open source pour l’IA locale. Unsloth Studio vous permet d’exécuter des modèles localement sur **MacOS, Windows**, Linux et : {% columns %} {% column %} * Rechercher, télécharger, [exécuter des GGUF](/docs/fr/nouveau/studio.md#run-models-locally) et des modèles safetensor * [**Auto-réparation** appel d'outils](/docs/fr/nouveau/studio.md#execute-code--heal-tool-calling) + **recherche web** * [**Exécution de code**](/docs/fr/nouveau/studio.md#run-models-locally) (Python, Bash) * [Inférence automatique](https://unsloth.ai/docs/desktop#feature-deep-dive) réglage des paramètres (temp, top-p, etc.) * Utilise llama.cpp pour une inférence rapide CPU + GPU et le déchargement CPU {% endcolumn %} {% column %}
{% endcolumn %} {% endcolumns %} {% stepper %} {% step %} #### Installer Unsloth Exécutez dans votre terminal : **macOS, Linux, WSL :** ```bash curl -fsSL https://unsloth.ai/install.sh | sh ``` **Windows PowerShell :** ```bash irm https://unsloth.ai/install.ps1 | iex ``` {% endstep %} {% step %} #### Lancer Unsloth **MacOS, Linux, WSL et Windows :** ```bash unsloth studio -H 0.0.0.0 -p 8888 ``` **Puis ouvrez `http://localhost:8888` dans votre navigateur.** {% endstep %} {% step %} #### Rechercher et télécharger GLM-5.1 Lors du premier lancement, vous devrez créer un mot de passe pour sécuriser votre compte et vous reconnecter plus tard. Vous verrez ensuite un bref assistant d'intégration pour choisir un modèle, un jeu de données et des paramètres de base. Vous pouvez le passer à tout moment. Vous pouvez choisir `UD-Q2_K_XL` (quantification dynamique 2 bits) ou d'autres versions quantifiées comme `UD-Q4_K_XL` . Nous **recommandons d'utiliser notre quantification dynamique 2 bits**** ****`UD-Q2_K_XL`**** ****pour équilibrer taille et précision**. Si les téléchargements se bloquent, consultez [Dépannage Hugging Face Hub, XET](/docs/fr/notions-de-base/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md) Puis allez dans l’onglet [Unsloth Chat](/docs/fr/nouveau/studio/chat.md) onglet et recherchez GLM-5.1 dans la barre de recherche et téléchargez le modèle et la quantification souhaités. Le téléchargement prendra un certain temps en raison de la taille, alors veuillez patienter. Pour garantir une inférence rapide, assurez-vous d'avoir [suffisamment de RAM/VRAM](#usage-guide), sinon l'inférence fonctionnera toujours, mais Unsloth la déchargera vers votre CPU.
{% endstep %} {% step %} #### Exécuter GLM-5.1 Les paramètres d'inférence doivent être définis automatiquement lors de l'utilisation d'Unsloth Studio ; toutefois, vous pouvez toujours les modifier manuellement. Vous pouvez également modifier la longueur de contexte, le gabarit de conversation et d'autres paramètres. Pour plus d'informations, vous pouvez consulter notre [Guide d'inférence Unsloth Studio](/docs/fr/nouveau/studio/chat.md). {% endstep %} {% endstepper %} ### 🦙 Exécuter dans llama.cpp {% stepper %} {% step %} Obtenez la dernière version de `llama.cpp` **sur** [**GitHub ici**](https://github.com/ggml-org/llama.cpp). Vous pouvez également suivre les instructions de compilation ci-dessous. Remplacez `-DGGML_CUDA=ON` par `-DGGML_CUDA=OFF` si vous n'avez pas de GPU ou si vous voulez simplement une inférence sur CPU. **Pour les appareils Apple Mac / Metal**, définissez `-DGGML_CUDA=OFF` puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut. ```bash apt-get update apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y git clone https://github.com/ggml-org/llama.cpp cmake llama.cpp -B llama.cpp/build \ -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split cp llama.cpp/build/bin/llama-* llama.cpp ``` {% endstep %} {% step %} Si vous souhaitez utiliser `llama.cpp` directement pour charger des modèles, vous pouvez faire ce qui suit : (:`IQ2_M`) est le type de quantification. Vous pouvez également télécharger via Hugging Face (point 3). Cela ressemble à `ollama run` . Utilisez `export LLAMA_CACHE="folder"` pour forcer `llama.cpp` pour l'enregistrer dans un emplacement spécifique. N'oubliez pas que le modèle a seulement une longueur de contexte maximale de 200K. Suivez ceci pour **des instructions générales** cas d'utilisation : ```bash export LLAMA_CACHE="unsloth/GLM-5.1-GGUF" ./llama.cpp/llama-cli \ -hf unsloth/GLM-5.1-GGUF:UD-IQ2_M \\ --ctx-size 16384 \\ --temp 0.7 \ --top-p 1.0 ``` Suivez ceci pour **appel d'outils** cas d'utilisation : ```bash export LLAMA_CACHE="unsloth/GLM-5.1-GGUF" ./llama.cpp/llama-cli \ -hf unsloth/GLM-5.1-GGUF:UD-IQ2_M \\ --ctx-size 16384 \\ --temp 1.0 \ --top-p 0.95 ``` {% endstep %} {% step %} Téléchargez le modèle via (après avoir installé `pip install huggingface_hub hf_transfer` ). Vous pouvez choisir `UD-Q2_K_XL` (quantification dynamique 2 bits) ou d'autres versions quantifiées comme `UD-Q4_K_XL` . Nous **recommandons d'utiliser notre quantification dynamique 2 bits**** ****`UD-Q2_K_XL`**** ****pour équilibrer taille et précision**. Si les téléchargements se bloquent, consultez [Dépannage Hugging Face Hub, XET](/docs/fr/notions-de-base/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md) ```bash pip install -U huggingface_hub hf download unsloth/GLM-5.1-GGUF \\ --local-dir unsloth/GLM-5.1-GGUF \\ --include "*UD-IQ2_M*" # Utilisez "*UD-TQ1_0*" pour le 1 bit dynamique ``` {% endstep %} {% step %} Vous pouvez modifier `--threads 32` pour le nombre de threads CPU, `--ctx-size 16384` pour la longueur du contexte, `--n-gpu-layers 2` pour le déchargement GPU sur le nombre de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Supprimez-le également si vous n'avez qu'une inférence CPU. {% code overflow="wrap" %} ```bash ./llama.cpp/llama-cli \ --model unsloth/GLM-5.1-GGUF/UD-IQ2_M/GLM-5.1-UD-IQ2_M-00001-of-00006.gguf \\ --temp 1.0 \ --top-p 0.95 \ --ctx-size 16384 \\ --seed 3407 ``` {% endcode %} {% endstep %} {% endstepper %} #### 🦙 Llama-server pour le service et la bibliothèque de complétion d'OpenAI Pour déployer GLM-5.1 en production, nous utilisons `llama-server` Dans un nouveau terminal, par exemple via tmux, déployez le modèle avec : {% code overflow="wrap" %} ```bash ./llama.cpp/llama-server \ --model unsloth/GLM-5.1-GGUF/UD-IQ2_M/GLM-5.1-UD-IQ2_M-00001-of-00006.gguf \\ --alias "unsloth/GLM-5.1" \\ --prio 3 \\ --temp 1.0 \ --top-p 0.95 \ --ctx-size 16384 \\ --port 8001 ``` {% endcode %} Ensuite, dans un nouveau terminal, après avoir effectué `pip install openai`, faites : {% code overflow="wrap" %} ```python from openai import OpenAI import json openai_client = OpenAI( base_url = "http://127.0.0.1:8001/v1", api_key = "sk-no-key-required", ) completion = openai_client.chat.completions.create( model = "unsloth/GLM-5.1", messages = [{"role": "user", "content": "Crée un jeu Snake."},], ) print(completion.choices[0].message.content) ``` {% endcode %} Vous pouvez ensuite appeler le modèle servi via l'API OpenAI : ```python from openai import AsyncOpenAI, OpenAI openai_api_key = "EMPTY" openai_api_base = "http://localhost:8001/v1" client = OpenAI( # ou AsyncOpenAI api_key = openai_api_key, base_url = openai_api_base, ) ``` ### :hammer:Appel d'outils avec GLM-5.1 Voir [Tool Calling Guide](/docs/fr/notions-de-base/tool-calling-guide-for-local-llms.md) pour plus de détails sur la manière de faire appel aux outils. Dans un nouveau terminal (si vous utilisez tmux, utilisez CTRL+B+D), nous créons quelques outils comme l'addition de 2 nombres, l'exécution de code Python, l'exécution de fonctions Linux et bien plus encore : {% code expandable="true" %} ```python import json, subprocess, random from typing import Any def add_number(a: float | str, b: float | str) -> float: return float(a) + float(b) def multiply_number(a: float | str, b: float | str) -> float: return float(a) * float(b) def subtract_number(a: float | str, b: float | str) -> float: return float(a) - float(b) def write_a_story() -> str: return random.choice([ "Il y a très longtemps, dans une galaxie très, très lointaine...", "Il y avait 2 amis qui aimaient les paresseux et le code...", "Le monde touchait à sa fin parce que chaque paresseux avait évolué pour avoir une intelligence surhumaine...", "À l'insu de l'un des amis, l'autre a accidentellement codé un programme pour faire évoluer les paresseux...", ]) def terminal(command: str) -> str: if "rm" in command or "sudo" in command or "dd" in command or "chmod" in command: msg = "Impossible d'exécuter les commandes 'rm, sudo, dd, chmod' car elles sont dangereuses" print(msg); return msg print(f"Exécution de la commande de terminal `{command}`") try: return str(subprocess.run(command, capture_output = True, text = True, shell = True, check = True).stdout) except subprocess.CalledProcessError as e: return f"Échec de la commande : {e.stderr}" def python(code: str) -> str: data = {} exec(code, data) del data["__builtins__"] return str(data) MAP_FN = { "add_number": add_number, "multiply_number": multiply_number, "subtract_number": subtract_number, "write_a_story": write_a_story, "terminal": terminal, "python": python, } tools = [ { "type": "function", "function": { "name": "add_number", "description": "Ajoute deux nombres.", "parameters": { "type": "object", "properties": { "a": { "type": "string", "description": "Le premier nombre.", }, "b": { "type": "string", "description": "Le deuxième nombre.", }, }, "required": ["a", "b"], }, }, }, { "type": "function", "function": { "name": "multiply_number", "description": "Multiplie deux nombres.", "parameters": { "type": "object", "properties": { "a": { "type": "string", "description": "Le premier nombre.", }, "b": { "type": "string", "description": "Le deuxième nombre.", }, }, "required": ["a", "b"], }, }, }, { "type": "function", "function": { "name": "subtract_number", "description": "Soustrait deux nombres.", "parameters": { "type": "object", "properties": { "a": { "type": "string", "description": "Le premier nombre.", }, "b": { "type": "string", "description": "Le deuxième nombre.", }, }, "required": ["a", "b"], }, }, }, { "type": "function", "function": { "name": "write_a_story", "description": "Écrit une histoire aléatoire.", "parameters": { "type": "object", "properties": {}, "required": [], }, }, }, { "type": "function", "function": { "name": "terminal", "description": "Effectue des opérations depuis le terminal.", "parameters": { "type": "object", "properties": { "command": { "type": "string", "description": "La commande que vous souhaitez lancer, par ex. `ls`, `rm`, ...", }, }, "required": ["command"], }, }, }, { "type": "function", "function": { "name": "python", "description": "Appelle un interpréteur Python avec du code Python qui sera exécuté.", "parameters": { "type": "object", "properties": { "code": { "type": "string", "description": "Le code Python à exécuter", }, }, "required": ["code"], }, }, }, ] ``` {% endcode %} Nous utilisons ensuite les fonctions ci-dessous (copier-coller et exécuter), qui analyseront automatiquement les appels de fonctions et appelleront le point de terminaison OpenAI pour n'importe quel modèle : {% code overflow="wrap" expandable="true" %} ```python from openai import OpenAI def unsloth_inference( messages, temperature = 1.0, top_p = 0.95, top_k = -1, min_p = 0.01, repetition_penalty = 1.0, ): messages = messages.copy() openai_client = OpenAI( base_url = "http://127.0.0.1:8001/v1", api_key = "sk-no-key-required", ) model_name = next(iter(openai_client.models.list())).id print(f"Modèle utilisé = {model_name}") has_tool_calls = True original_messages_len = len(messages) while has_tool_calls: print(f"Messages actuels = {messages}") response = openai_client.chat.completions.create( model = model_name, messages = messages, temperature = temperature, top_p = top_p, tools = tools if tools else None, tool_choice = "auto" if tools else None, extra_body = {"top_k": top_k, "min_p": min_p, "repetition_penalty" :repetition_penalty,} ) tool_calls = response.choices[0].message.tool_calls or [] content = response.choices[0].message.content or "" tool_calls_dict = [tc.to_dict() for tc in tool_calls] if tool_calls else tool_calls messages.append({"role": "assistant", "tool_calls": tool_calls_dict, "content": content,}) for tool_call in tool_calls: fx, args, _id = tool_call.function.name, tool_call.function.arguments, tool_call.id out = MAP_FN[fx](**json.loads(args)) messages.append({"role": "tool", "tool_call_id": _id, "name": fx, "content": str(out),}) else: has_tool_calls = False return messages ``` {% endcode %} Après avoir lancé GLM 5.1 via `llama-server` comme dans [#deploy-with-llama-server-and-openais-completion-library](#deploy-with-llama-server-and-openais-completion-library "mention") ou voir [Tool Calling Guide](/docs/fr/notions-de-base/tool-calling-guide-for-local-llms.md) pour plus de détails, nous pouvons alors effectuer quelques appels d'outils. ### 📊 Benchmarks Vous pouvez voir ci-dessous les benchmarks de GLM-5.1 sous forme de tableau :
| Benchmark | GLM-5.1 | GLM-5 | Qwen3.6-Plus | Minimax M2.7 | DeepSeek-V3.2 | Kimi K2.5 | Claude Opus 4.6 | Gemini 3.1 Pro | GPT-5.4 | | ------------------------------------------------ | ------------------ | ------------------ | ------------ | ------------------ | ------------------ | --------- | --------------- | -------------- | ---------------- | | HLE | 31.0 | 30.5 | 28.8 | 28.0 | 25.1 | 31.5 | 36.7 | **45.0** | 39.8 | | HLE (avec outils) | 52.3 | 50.4 | 50.6 | - | 40.8 | 51.8 | **53.1**\* | 51.4\* | 52.1\* | | AIME 2026 | 95.3 | 95.4 | 95.1 | 89.8 | 95.1 | 94.5 | 95.6 | 98.2 | **98.7** | | HMMT Nov. 2025 | 94.0 | **96.9** | 94.6 | 81.0 | 90.2 | 91.1 | 96.3 | 94.8 | 95.8 | | HMMT Feb. 2026 | 82.6 | 82.8 | 87.8 | 72.7 | 79.9 | 81.3 | 84.3 | 87.3 | **91.8** | | IMOAnswerBench | 83.8 | 82.5 | 83.8 | 66.3 | 78.3 | 81.8 | 75.3 | 81.0 | **91.4** | | GPQA-Diamond | 86.2 | 86.0 | 90.4 | 87.0 | 82.4 | 87.6 | 91.3 | **94.3** | 92.0 | | SWE-Bench Pro | **58.4** | 55.1 | 56.6 | 56.2 | - | 53.8 | 57.3 | 54.2 | 57.7 | | NL2Repo | 42.7 | 35.9 | 37.9 | 39.8 | - | 32.0 | **49.8** | 33.4 | 41.3 | | Terminal-Bench 2.0 (Terminus-2) | 63.5 | 56.2 | 61.6 | - | 39.3 | 50.8 | 65.4 | **68.5** | - | | Terminal-Bench 2.0 (meilleur score auto-déclaré) | 66.5 (Claude Code) | 56.2 (Claude Code) | - | 57.0 (Claude Code) | 46.4 (Claude Code) | - | - | - | **75.1** (Codex) | | CyberGym | **68.7** | 48.3 | - | - | 17.3 | 41.3 | 66.6 | - | - | | BrowseComp | **68.0** | 62.0 | - | - | 51.4 | 60.6 | - | - | - | | BrowseComp (avec gestion du contexte) | 79.3 | 75.9 | - | - | 67.6 | 74.9 | 84.0 | **85.9** | 82.7 | | τ³-Bench | 70.6 | 69.2 | 70.7 | 67.6 | 69.2 | 66.0 | 72.4 | 67.1 | **72.9** | | MCP-Atlas (ensemble public) | 71.8 | 69.2 | **74.1** | 48.8 | 62.2 | 63.8 | 73.8 | 69.2 | 67.2 | | Décathlon d'outils | 40.7 | 38.0 | 39.8 | 46.3 | 35.2 | 27.8 | 47.2 | 48.8 | **54.6** | | Vending Bench 2 | $5,634.00 | $4,432.12 | $5,114.87 | - | $1,034.00 | $1,198.46 | **$8,017.59** | $911.21 | $6,144.18 | --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://unsloth.ai/docs/fr/modeles/glm-5.1.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.