GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
akiroussama
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
akiroussama
Model Tree
Input Modalities
Output Modalities
Supported Functionality
| Champ | Valeur |
|---|---|
| Architecture | GPT2 décodeur — n_layer=4, n_head=4, n_embd=128, n_ctx=128 |
| Paramètres | ~7,2 M (7 242 624) |
| Tokenizer | GPT2 BPE standard (vocab 50257) |
| Pré-entraînement | aucun (from scratch) |
| Entraînement | 80 epochs, AdamW lr 5e-4, ~3 min sur CPU, perte finale 0,167 |
| Format | safetensors (Hugging Face) et bebe-gpt-ca-titres.gguf (f16, 16 Mo) |
| Filières | VALEURS_MOBILIERES, EPARGNE_SALARIALE, EPARGNE_BANCAIRE, MOBILITE_BANCAIRE |
Le GGUF embarque un template de chat. Dans l'onglet Chat, tape la demande en français naturel et envoie — la filière sort :
text
passer un ordre d'achat sur une action -> VALEURS_MOBILIEREScloturer mon depot a terme -> EPARGNE_BANCAIRERégler Temperature = 0. Runtime CPU (avx2) recommandé.
Modèle de complétion : amorcer avec {demande} => (sans espace après le
=> — l'espace casse la tokenisation BPE), greedy.
text
prompt : "passer un ordre d'achat sur une action =>"sortie : " VALEURS_MOBILIERES"Sur un banc de 10 phrases tenues à l'écart de l'entraînement : 10/10 de bonne filière (en complétion brute et dans LM Studio).
120 demandes fictives, 4 filières équilibrées (30 chacune), 100 % neutres.
MIT. Fabriqué pour une formation GEN AI (Comundi / CA Titres).