GLM-5.2 is live. #1 throughput on OpenRouter, pay-per-token on FriendliAI. Try it today ➜
BrCamp
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
BrCamp
Model Tree
Input Modalities
Output Modalities
Supported Functionality
| modelo | tokens | tok/param | bpb |
|---|---|---|---|
| bee-350m-pt-base | 21,75B | 63 | 0,8207 |
| este (15B) | 15,00B | 43 | 0,8223 |
| bee-150m-pt-base | 21,75B | 143 | 0,8438 |
⭐ 45% mais dado renderam 0,19% de bpb. Ja ir de 151M para 345M parametros rendeu 2,76%. Nesta arquitetura o volume de tokens satura por volta de 43 tok/param — e a escala continua pagando.
⭐ E o mesmo modelo, nos mesmos 15,00B tokens, mede 0,9167 se colhido no plato do WSD e 0,8223 decaido: o decaimento de LR sozinho vale 10,3% de bpb. Comparar marcos intermediarios de modelos com schedules diferentes mede o schedule, nao o modelo.
Como modelo, ele e' ligeiramente pior que o principal — use o principal. Este aqui serve para reproduzir a ablacao: e' o unico ponto que permite isolar o efeito do volume de tokens com todo o resto fixo.
Detalhes: bpb medido.
As mesmas do principal: modelo base, nao segue instrucoes, nao conversa, nao usa
ferramentas; 345M parametros e 2048 de contexto alucinam fatos com facilidade; herda os
vieses da web em portugues. bpb mede modelagem de linguagem, nao fluencia de resposta.