GLM-4.6：本地运行指南

关于如何在你自己的本地设备上运行 Z.ai GLM-4.6 和 GLM-4.6V-Flash 模型的指南！

GLM-4.6 和 GLM-4.6V-Flash 是来自 Z.ai的最新推理模型，在编程和智能体基准测试中达到 SOTA 表现，同时提供了更好的对话聊天体验。 GLM-4.6V-Flash 较小的 9B 模型已于 2025 年 12 月发布，你现在也可以运行它。

完整的 355B 参数模型需要 400GB 磁盘空间，而 Unsloth Dynamic 2-bit GGUF 将大小减少到 135GB (-75%). GLM-4.6-GGUF

我们对 GLM-4.6 做了多项 聊天模板修复 以使 llama.cpp/llama-cli --jinja 能够工作——请只使用 --jinja 否则输出会出错！

你要求查看我们量化模型的基准测试，所以我们展示 Aider Polyglot 的结果！我们的动态 3 比特 DeepSeek V3.1 GGUF 得分 75.6%，超过了许多全精度的 SOTA LLM。 阅读更多。

所有上传都使用 Unsloth Dynamic 2.0 ，以获得 SOTA 5-shot MMLU 和 Aider 表现，这意味着你可以在几乎不损失准确率的情况下运行并微调量化的 GLM LLM。

教程导航：

运行 GLM-4.6V-Flash运行 GLM-4.6

🐛Unsloth 聊天模板与 bug 修复

我们做的一项重要修复是解决了 GGUF 提示词中的一个问题，即第二个提示无法工作。我们修复了这个问题，不过在没有我们修复的 GGUF 中，这个问题仍然存在。例如，使用任何非 Unsloth 的 GLM-4.6 GGUF 时，第一轮对话可以正常工作，但第二轮就会出问题。

我们已在聊天模板中解决了这个问题，因此使用我们的版本时，第二轮之后的对话（第三轮、第四轮等）都不会出现任何错误。工具调用仍然存在一些问题，由于带宽限制，我们尚未完全调查。我们已经把这些遗留问题告知了 GLM 团队。

🔎GLM 4.6V Flash 的怪癖与修复

GLM-4.6V-Flash 可能会用中文进行推理并输出中文。这并非我们量化模型独有，而是模型本身的一个特性。使用系统提示词“用英语回复并用英语推理”可以强制推理和输出都使用英语！

我们测试了其他量化提供方的 BF16 和 Q8_0 量化版本，似乎都在用中文推理。例如，在 seed 3407 下、对同一个提示词“Create a Flappy Bird game in Python”运行两个独立量化版本时，推理都是中文：

通过使用系统提示词“用英语推理”经由 --system-prompt "Respond in English" 在 llama.cpp 中，例如如下：

./llama.cpp/llama-cli -hf unsloth/GLM-4.6V-Flash-GGUF:BF16 \
    --jinja --temp 0.8 --top-p 0.6 --top-k 2 --repeat-penalty 1.1 --min-p 0.0 --seed 3407 \
    --prompt "Create a Flappy Bird game in Python" --system-prompt "Respond in English"

我们得到中文推理，但输出是英文。我们还会继续追问“What is 1+1”，结果也只有英文：

最后，通过使用系统提示词“用英语回复并用英语推理”经由 --system-prompt "Respond in English and reason in English" 在 llama.cpp 中，例如如下：

./llama.cpp/llama-cli -hf unsloth/GLM-4.6V-Flash-GGUF:BF16 \
    --jinja --temp 0.8 --top-p 0.6 --top-k 2 --repeat-penalty 1.1 --min-p 0.0 --seed 3407 \
    --prompt "Create a Flappy Bird game in Python" \
    --system-prompt "Respond in English and reason in English"

我们得到英文推理和英文输出！我们还会继续追问“What is 1+1”，结果也只有英文：

⚙️ 使用指南

2-bit 动态量化 UD-Q2_K_XL 使用 135GB 磁盘空间——这在 1x24GB 显卡和 128GB 内存 配合 MoE 卸载时效果很好。1-bit 的 UD-TQ1 GGUF 也 可在 Ollama 中原生运行!

你必须使用 --jinja 用于 llama.cpp 量化版本——这会使用我们的 固定聊天模板 并启用正确的模板！如果你不使用，可能会得到错误结果 --jinja

4-bit 量化可放入 1x 40GB GPU 中（并将 MoE 层卸载到 RAM）。如果你还有额外的 165GB RAM，在这种配置下预计速度约为 5 token/s。建议至少有 205GB RAM 来运行该 4-bit 版本。要获得最佳性能，你至少需要 205GB 统一内存，或 205GB 的 RAM+VRAM 组合，才能达到 5+ token/s。要了解如何提高生成速度并适配更长上下文， 请阅读这里.

虽然不是必须的，但为了获得最佳性能，建议你的 VRAM + RAM 总和等于你下载的量化版本大小。如果不满足，使用 llama.cpp 也可以通过硬盘/SSD 卸载运行，只是推理会更慢。

推荐设置

根据 Z.ai 的说明，GLM-4.6V-Flash 和 GLM-4.6 的推理设置不同：

GLM-4.6V-Flash	GLM-4.6
temperature = 0.8	temperature = 1.0
top_p = 0.6 （推荐）	top_p = 0.95 （推荐用于编程）
top_k = 2 （推荐）	top_k = 40 （推荐用于编程）
128K 上下文长度 或更少	200K 上下文长度 或更少
repeat_penalty = 1.1
max_generate_tokens = 16,384	max_generate_tokens = 16,384

• 使用 --jinja 用于 llama.cpp 变体——我们 也修复了一些聊天模板问题！

运行 GLM-4.6 教程：

查看我们关于运行 GLM-4.6V-Flash 以及大型 GLM-4.6 模型。

GLM-4.6V-Flash

2025 年 12 月 16 日新增：GLM-4.6-V 现已更新，支持视觉功能！

✨ 在 llama.cpp 中运行

1

获取最新的 llama.cpp 在 GitHub。你也可以使用下面的构建说明。更改 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想进行 CPU 推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续——Metal 支持默认开启。

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 -DLLAMA_CURL=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

2

如果你想使用 llama.cpp 直接加载模型，你可以这样做：（:Q8_K_XL）是量化类型。你也可以通过 Hugging Face 下载（见第 3 点）。这与 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 保存到特定位置。请记住，该模型的最大上下文长度只有 128K。

export LLAMA_CACHE="unsloth/GLM-4.6V-Flash-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/GLM-4.6V-Flash-GGUF:UD-Q8_K_XL \
    --n-gpu-layers 99 \\
    --jinja \
    --ctx-size 16384 \
    --flash-attn on \
    --temp 0.8 \
    --top-p 0.6 \
    --top-k 2 \
    --repeat-penalty 1.1 \
    -ot ".ffn_.*_exps.=CPU"

3

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer 之后）。你可以选择 UD-Q4_K_XL（动态 4bit 量化）或其他量化版本，例如 Q8_K_XL .

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会触发限流，因此设为 0 以禁用
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/GLM-4.6V-Flash-GGUF",
    local_dir = "unsloth/GLM-4.6V-Flash-GGUF",
    allow_patterns = ["*UD-Q8_K_XL*"],
)

GLM-4.6

🦙 在 Ollama 中运行

1

安装 ollama 如果你还没安装！要运行模型的更多变体， 请看这里.

apt-get update
apt-get install pciutils -y
curl -fsSL https://ollama.com/install.sh | sh

2

运行模型！注意，如果失败，你可以在另一个终端中调用 ollama serve！我们在 Hugging Face 上传中包含了所有修复和建议参数（如 temperature 等） params ！

OLLAMA_MODELS=unsloth ollama serve &

OLLAMA_MODELS=unsloth ollama run hf.co/unsloth/GLM-4.6-GGUF:TQ1_0

3

要运行其他量化版本，你需要先将 GGUF 分片文件合并成 1 个，就像下面的代码。然后你需要在本地运行模型。

./llama.cpp/llama-gguf-split --merge \\
  GLM-4.6-GGUF/GLM-4.6-UD-Q2_K_XL/GLM-4.6-UD-Q2_K_XL-00001-of-00003.gguf \
	merged_file.gguf

OLLAMA_MODELS=unsloth ollama serve &

OLLAMA_MODELS=unsloth ollama run merged_file.gguf

✨ 在 llama.cpp 中运行

1

获取最新的 llama.cpp 在 GitHub 这里。你也可以按照下面的构建说明操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想进行 CPU 推理。

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 -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-quantize llama-cli llama-gguf-split llama-mtmd-cli llama-server
cp llama.cpp/build/bin/llama-* llama.cpp

2

如果你想使用 llama.cpp 来加载模型，可以使用下面的方法：（:Q2_K_XL）是量化类型。你也可以通过 Hugging Face 下载（第 3 点）。这类似于 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 保存到特定位置。请记住，该模型的最大上下文长度只有 128K。

请试试 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许你将所有非 MoE 层放到 1 张 GPU 上，从而提高生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以适配更多层。

如果你的 GPU 内存再多一些，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上、下投影 MoE 层。

再试试 -ot ".ffn_(up)_exps.=CPU" 如果你的 GPU 内存更多一些。这样只会卸载上投影 MoE 层。

最后通过以下方式卸载所有层： -ot ".ffn_.*_exps.=CPU" 这使用的 VRAM 最少。

你也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层开始卸载 gate、up 和 down MoE 层。

export LLAMA_CACHE="unsloth/GLM-4.6-GGUF"
./llama.cpp/llama-cli \
    --model GLM-4.6-GGUF/UD-Q2_K_XL/GLM-4.6-UD-Q2_K_XL-00001-of-00003.gguf \
    --n-gpu-layers 99 \\
    --jinja \
    --ctx-size 16384 \
    --flash-attn on \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 40 \
    -ot ".ffn_.*_exps.=CPU"

3

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer 之后）。你可以选择 UD-Q2_K_XL（动态 2bit 量化）或其他量化版本，例如 Q4_K_XL 。我们 建议使用我们的 2.7bit 动态量化 UD-Q2_K_XL 以平衡大小和准确率.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会触发限流，因此设为 0 以禁用
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/GLM-4.6-GGUF",
    local_dir = "unsloth/GLM-4.6-GGUF",
    allow_patterns = ["*UD-Q2_K_XL*"], # 动态 2bit；动态 1bit 请使用 "*UD-TQ1_0*"
)

4

你可以编辑 --threads 32 来设置 CPU 线程数， --ctx-size 16384 来设置上下文长度， --n-gpu-layers 2 来设置 GPU 卸载多少层。如果你的 GPU 显存不足，请尝试调整它。如果你只进行 CPU 推理，也请移除它。

./llama.cpp/llama-cli \
    --model unsloth/GLM-4.6-GGUF/UD-Q2_K_XL/GLM-4.6-UD-Q2_K_XL-00001-of-00003.gguf \
    --jinja \
    --n-gpu-layers 99 \\
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 40 \
    --ctx-size 16384 \
    --seed 3407 \
    -ot ".ffn_.*_exps.=CPU"

✨ 使用 llama-server 和 OpenAI 的 completion 库进行部署

要使用 llama-server 进行部署，请使用以下命令：

./llama.cpp/llama-server \
    --model unsloth/GLM-4.6-GGUF/UD-Q2_K_XL/GLM-4.6-UD-Q2_K_XL-00001-of-00003.gguf \
    --alias "unsloth/GLM-4.6" \
    --n-gpu-layers 999 \
    -ot ".ffn_.*_exps.=CPU" \\
    --prio 3 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 40 \
    --ctx-size 16384 \
    --port 8001 \
    --jinja

然后在以下命令之后使用 OpenAI 的 Python 库 pip install openai :

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-4.6",
    messages = [{"role": "user", "content": "2+2 等于多少？"},],
)
print(completion.choices[0].message.content)

💽模型上传

我们所有的上传 ——包括那些不是基于 imatrix 或动态的——都使用了我们的校准数据集，该数据集专门针对对话、编码和语言任务进行了优化。

• 下面是完整的 GLM-4.6 模型上传：

我们还上传了 IQ4_NL 和 Q4_1 量化版本，它们分别针对 ARM 和 Apple 设备实现了更快运行。

MoE 比特数	类型 + 链接	磁盘大小	详情
1.66bit	TQ1_0	84GB	1.92/1.56bit
1.78bit	IQ1_S	96GB	2.06/1.56bit
1.93bit	IQ1_M	107GB	2.5/2.06/1.56
2.42bit	IQ2_XXS	115GB	2.5/2.06bit
2.71bit	Q2_K_XL	135GB	3.5/2.5bit
3.12bit	IQ3_XXS	145GB	3.5/2.06bit
3.5bit	Q3_K_XL	158GB	4.5/3.5bit
4.5bit	Q4_K_XL	204GB	5.5/4.5bit
5.5bit	Q5_K_XL	252GB	6.5/5.5bit

🏂 提升生成速度

如果你有更多 VRAM，可以尝试卸载更多 MoE 层，或直接卸载整个层。

通常， -ot ".ffn_.*_exps.=CPU" 会将所有 MoE 层卸载到 CPU！这实际上允许你将所有非 MoE 层放到 1 张 GPU 上，从而提高生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以适配更多层。

如果你的 GPU 内存再多一些，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上、下投影 MoE 层。

再试试 -ot ".ffn_(up)_exps.=CPU" 如果你的 GPU 内存更多一些。这样只会卸载上投影 MoE 层。

你也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层开始卸载 gate、up 和 down MoE 层。

Llama.cpp 还引入了高吞吐模式。使用 llama-parallel。了解更多 这里。你还可以 将 KV 缓存量化为 4bits ，例如减少 VRAM / RAM 传输，这也可以加快生成过程。

📐如何适配长上下文（完整 200K）

要适配更长上下文，你可以使用 KV 缓存量化 将 K 和 V 缓存量化到更低位数。由于减少了 RAM / VRAM 数据移动，这也可以提高生成速度。允许的 K 量化选项（默认是 f16）如下。

--cache-type-k f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1

你应该使用 _1 这些变体，以略微提高准确率，尽管会稍慢一些。例如 q4_1, q5_1

你也可以量化 V 缓存，但你需要 通过以下方式编译带有 Flash Attention 支持的 llama.cpp ： -DGGML_CUDA_FA_ALL_QUANTS=ON，并使用 --flash-attn 来启用它。然后你可以将其与 --cache-type-k :

--cache-type-v f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1