# Colibri — รัน GLM-5.2 (744B MoE) บนเครื่อง 25GB RAM ด้วย Pure C ไฟล์เดียว > Source: > Published: 2026-07-12 09:00:39+00:00 *โดย Nokka (นก-กา) | 11 กรกฎาคม 2026* *บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ — Nokka (นก-กา)* Colibri คือ inference engine ที่เขียนด้วย **Pure C ไฟล์เดียว (~2,400 บรรทัด) — zero dependencies — ไม่ต้องใช้ GPU** — รัน GLM-5.2 โมเดล 744B พารามิเตอร์ บนเครื่อง consumer ที่มี RAM แค่ 25 GB ได้ [1] เทคนิคหลัก: แยกโมเดลเป็นสองส่วน — **dense part (~9.9 GB)** อยู่ใน RAM ตลอดเวลา ส่วน **routed experts 21,504 ตัว (~370 GB)** อยู่บน NVMe และถูก stream เข้ามาเฉพาะตอนที่ router เลือกใช้ — เหลือ RAM ว่าง ~15 GB สำหรับ LRU cache และ OS page cache [1] ความเร็ว: 0.05-0.1 tok/s บน dev machine (WSL2, 12 cores, 25 GB RAM) — ไม่เร็ว แต่มันคือ **744B frontier model ที่ตอบถูกต้องบนเครื่องที่ราคาถูกกว่า H100 หนึ่งใบ** [1] ``` $ ./coli chat 🐦 colibrì v1.0 — GLM-5.2 · 744B MoE · int4 · streaming CPU ✓ pronto in 32s · residente 9.9 GB › ciao! ◆ Ciao! 😊 Come posso aiutarti oggi? ``` 32 วินาทีในการโหลด — 9.9 GB resident — แล้ว GLM-5.2 ก็พร้อมตอบบนเครื่อง 25 GB RAM [1] GLM-5.2 คือ **Mixture-of-Experts (MoE) โมเดล 744B พารามิเตอร์** จาก Z.ai — เปิดตัว 13 มิถุนายน 2026 — MIT license — หนึ่งใน open-weight model ที่แข็งแกร่งที่สุดในปัจจุบัน [5][6] | สเปค | ค่า | |---|---| | Total parameters | 744B | | Active per token | ~40B | | MoE layers | 75 | | Experts per layer | 256 (8 active + 1 shared) | | Context window | 1M tokens | | Attention | MLA (Multi-head Latent Attention) + DSA (DeepSeek Sparse Attention) | | Router | DeepSeek-V3-style sigmoid (noaux_tc) | | License | MIT | **MoE ทำงานยังไง:** แทนที่จะใช้ทั้ง 744B พารามิเตอร์ทุก token — GLM-5.2 ใช้ router เลือกแค่ 8 experts จาก 256 ตัวต่อ layer — รวมแล้ว activate แค่ ~40B พารามิเตอร์ต่อ token — ที่เหลือ ~700B นอนเฉยๆ [1][5] **นี่คือกุญแจที่ทำให้ Colibri ทำงานได้:** เพราะแต่ละ token ใช้แค่ ~11 GB ของ expert weights — Colibri เลยเก็บ experts ไว้บน disk แล้ว stream เฉพาะตัวที่ถูกเลือกเข้ามา [1] ``` ┌─────────────────────────────────────────┐ │ RAM (Resident — ~9.9 GB int4) │ │ • Dense layers (attention, shared │ │ experts, embeddings) — ~17B params │ │ • LRU Expert Cache (auto-sized) │ │ • Pinned Hot Experts (learning cache) │ │ • Compressed MLA KV-cache │ ├─────────────────────────────────────────┤ │ NVMe (Streamed — ~370 GB int4) │ │ • 21,504 routed experts │ │ • 75 MoE layers × 256 experts │ │ • ~19 MB per expert at int4 │ │ • Streamed on-demand per token │ └─────────────────────────────────────────┘ ``` **Dense part** (~17B params → ~9.9 GB int4): attention weights, shared experts, embeddings — ใช้ทุก token → อยู่ใน RAM ตลอด **Routed experts** (21,504 ตัว → ~370 GB int4): ถูก router เลือกใช้แค่ 8 ตัวต่อ layer ต่อ token — อยู่บน NVMe — stream เข้ามาเฉพาะตอนถูกเลือก [1] GLM-5.2 ใช้ **Multi-head Latent Attention (MLA)** — เทคนิคจาก DeepSeek-V3 — แทนที่จะเก็บ full KV-cache (32,768 floats/token สำหรับ 64 heads) — MLA ใช้ low-rank projection บีบเหลือแค่ **576 floats/token** — เล็กลง 57 เท่า [1] Colibri ยัง implement **MLA weight absorption** (DeepSeek trick) — query ดูดซับ kv_b projection — ไม่ต้อง reconstruct k/v ต่อ token — validated token-exact เทียบกับ transformers oracle [1] **KV-cache persistence:** Colibri เซฟ compressed MLA KV-cache ลงดิสก์หลังทุก turn (~182 KB/token, crash-safe) — ปิดแชทแล้วเปิดใหม่พรุ่งนี้ — โมเดลยังจำบทสนทนาทั้งหมด — validated byte-identical กับ session ที่ไม่เคยถูกขัดจังหวะ [1] GLM-5.2 ใช้ **DeepSeek Sparse Attention (DSA)** — แทนที่จะ attend ทุก token ใน context — DSA ใช้ learned indexer เลือก top-2,048 keys ต่อ layer — ลด compute จาก O(n²) เป็น O(n × 2048) [1][5] Colibri implement DSA แบบ faithful — auto-detect จาก out-idx weights — validated: forcing ให้ keep ทุก key reproduce dense attention token-for-token [1] GLM-5.2 มี **Multi-Token Prediction (MTP) head** ที่ layer 78 — มัน draft tokens ล่วงหน้า แล้ว main model verify ใน batched forward ครั้งเดียว [1] | MTP head precision | Draft acceptance | Tokens/forward | |---|---|---| | int4 | 0-4% | ~1.0 (ไม่เวิร์ค) | int8 | 39-59% | 2.2-2.8 | **สำคัญ:** MTP head ต้องเป็น int8 — ที่ int4 draft acceptance ตกเหลือ 0-4% — speculation ไม่เกิด — converter ทำ int8 ให้อัตโนมัติ [1] **ข้อควรระวัง:** cold cache — แต่ละ verified draft route ไปหา experts เพิ่ม (~660 → ~1,100 expert-loads/token) — speculation อาจช้าลงจนกว่า cache/pin จะอุ่น — adaptive guard และ `DRAFT=0` มีไว้สำหรับกรณีนี้ [1] Colibri ใช้ hand-tuned integer matmul kernels: | Kernel | Speed vs baseline | ใช้เมื่อไหร่ | |---|---|---| | int8 (Q8_0-style, AVX2 maddubs) | 1.4-2.5× faster | matmul ทั่วไป | | int4 (packed, dequant-on-use) | 1.8× in batch | expert matmul | | int4 single-row | slower → fallback to f32 | routing decision | 119 GFLOP/s measured — routing ตัดสินใจต่อ shape โดย measurement — int4 single-row วัดแล้วช้ากว่า f32 เลย fallback [1] **Async readahead:** ขณะที่ kernel กำลังคูณ expert block หนึ่ง — kernel ถัดไปกำลังอ่าน expert ถัดไปจาก disk (WILLNEED) [1] **Router-lookahead prefetch (PILOT=1, experimental):** GLM-5.2's expert routing สามารถทำนายล่วงหน้าได้ — เอา router ของ layer L+1 มารันบน post-attention state ของ layer L — recall 71.6% ของ top-8 จริง (เทียบกับ 41.3% สำหรับ "ใช้ expert เดิมกับ token ที่แล้ว") — I/O thread แยก prefetch experts ที่น่าจะถูกใช้ขณะที่ layer ปัจจุบันกำลัง compute [1] Colibri บันทึกว่า experts ตัวไหนถูกใช้บ่อย (.coli_usage — อัปเดตทุก turn) — ตอน startup จะ pin experts ที่ร้อนที่สุดไว้ใน RAM ว่างโดยอัตโนมัติ — **Colibri เร็วยิ่งขึ้นเมื่อคุณใช้มันมากขึ้น** [1] **Live tier adaptation (--repin N):** ทุก N tokens — session heat map แบบ decaying จะแทนที่ cold pinned experts ด้วย hot streamed experts — 25% hysteresis + four-swap limit ป้องกัน tier thrashing [1] **Batch-Union MoE:** ใน prefill และ MTP verification — expert แต่ละตัวที่ถูกเลือกโดย batch จะถูกอ่านครั้งเดียวแล้ว apply กับทุก position ที่ route ไปหามัน [1] **RAM safety:** expert cache auto-sized จาก MemAvailable ตอน startup — honest peak projection (working set, KV, MTP row, reconstruction buffers) — kernel OOM-killer ไม่เคยถูกยิง [1] | Metric | Value | |---|---| | Model on disk (int4) | ~370 GB | | Resident RAM | 9.9 GB | | Load time | ~30 s | | Peak RSS | ~20 GB (auto-capped) | | Cold decode cost | ~11 GB disk reads/token | | Disk ceiling (VHDX random) | ~1 GB/s | Cold speed | ~0.05–0.1 tok/s | | MTP speculation | 2.2–2.8 tok/forward | | Machine | Disk (iobench) | Config | Speed | |---|---|---|---| | Intel Core Ultra 7 270K Plus (24 threads) · WSL2 · 24 GB RAM | 1.96 GB/s buffered | default | 0.07 tok/s | | 〃 | 〃 | --topp 0.7 | 0.11 tok/s | Apple M5 Max (18 cores) · 128 GB unified · internal SSD | 14.2 GB/s O_DIRECT | default, MTP off | 1.06 tok/s | | Framework 13 (learned cache) | — | — | 0.37 tok/s | | Ryzen 9 9950X · PCIe 5.0 NVMe | — | — | 0.28 tok/s | | Epyc 9654 ES · Linux · DDR5-4800 | — | MTP on | 0.40 tok/s | | Hardware | Expected | |---|---| | PCIe4 NVMe (~3-5 GB/s random), 32 GB | ~0.5–1 tok/s | | PCIe5 NVMe หรือ 2×NVMe RAID0 (~8-12 GB/s), 64 GB (PIN ~40 GB) | ~2–4 tok/s | | 128-256 GB RAM, 12 cores (hot experts cached) | ~2–4 tok/s (matmul-bound) | | Same RAM + 24-32 cores หรือ AVX-512/VNNI kernels | ~5–15 tok/s (interactive) | **คอขวด:** ต่ำกว่า 5 GB/s → disk-bound — เกิน 5 GB/s → CPU matmul-bound — เพิ่ม cores ช่วยได้ [1] Colibri มี `coli serve` — OpenAI-compatible HTTP API — text-only — SSE streaming: ``` COLI_MODEL=/nvme/glm52_i4 COLI_API_KEY=*** ./coli serve \ --host 127.0.0.1 --port 8000 --model-id glm-5.2-colibri curl http://127.0.0.1:8000/v1/chat/completions \ -H 'Authorization: Bearer ***' \ -H 'Content-Type: application/json' \ -d '{ "model": "glm-5.2-colibri", "messages": [{"role": "user", "content": "Hello"}], "stream": true }' ``` **Endpoints:** `GET /v1/models` , `GET /v1/models/{model}` , `POST /v1/chat/completions` , `POST /v1/completions` [1] **Isolated KV contexts (--kv-slots N):** แยก conversation contexts ได้สูงสุด 16 slots — แต่ละ slot มี KV-cache, MTP window, และ crash-safe persistence file ของตัวเอง — engine ยัง execute ทีละ sequence — นี่คือ explicit KV ownership ไม่ใช่ continuous batching ปลอมๆ [1] **Extension enable_thinking: true:** เปิด GLM-5.2's reasoning block — `reasoning_effort` field ก็ใช้ได้เหมือนกัน [1]`web/` — React + TypeScript (~390 lines) — pure API client — พูด OpenAI Chat Completions protocol + SSE streaming — ใช้ได้กับ Colibri server หรือ endpoint อะไรก็ได้ที่ compatible [1] Colibri มี opt-in CUDA backend สำหรับ model-resident tensors — **streaming experts ยังอยู่บน CPU path** — เพราะการ copy expert จาก NVMe → GPU ทุกครั้งแค่เปลี่ยนคอขวดจาก disk เป็น PCIe [1] ``` make CUDA=1 COLI_CUDA=1 COLI_GPU=0 CUDA_DENSE=1 ./glm 64 4 4 ``` **Multi-GPU expert tier:** ปัก experts ที่ร้อนที่สุดใน VRAM แบบถาวร — budget แบ่งตาม device ที่โหลดน้อยที่สุด: ``` COLI_CUDA=1 COLI_GPUS=0,1,2,3,4,5 CUDA_EXPERT_GB=96 \ PIN=stats.txt PIN_GB=160 ./glm 64 4 4 ``` **ข้อจำกัดปัจจุบัน:** devices ใช้ independent contexts — synchronous host-staged activation copies — ยังไม่มี P2P/NCCL — kernels เป็น correctness-first custom kernels ยังไม่ใช่ cuBLAS/Tensor Core [1] `c/tools/convert_fp8_to_int4.py` — ดาวน์โหลดทีละ shard (~5 GB) — dequant (128×128 block scales) — requantize เป็น container ของ engine — ลบ shard — **756 GB FP8 checkpoint ไม่เคยต้องอยู่บนดิสก์พร้อมกัน** — resumable [1] หรือใช้ pre-converted model บน Hugging Face: `jlnsrk/GLM-5.2-colibri-int4` (~370 GB) [3] | Use Case | ทำไมถึงเหมาะ | |---|---| Batch processing | Legal document review, large corpus analysis, offline summarization — queue งานแล้วรอ — 2,000-token response ใช้เวลา 30-100 นาที — โอเคสำหรับ overnight jobs [2] | Privacy-sensitive data | Medical notes, confidential business analysis, personal data — ไม่มี API call, ไม่มี telemetry, ไม่มี cloud — ข้อมูลไม่เคยออกจากเครื่อง [2] | Research & Evaluation | GLM-5.2 คือ MIT-licensed — รัน evaluation harnesses, ศึกษา model behavior, fine-tune — zero marginal cost ต่อ token [2] | Early Exploration | รัน prompt สองสามพันครั้งผ่าน GLM-5.2 เพื่อเข้าใจ capabilities ก่อน commit API contract — ช้าดีกว่าแพง [2] | Interactive (ใกล้ถึงแล้ว) | 1 tok/s บน M5 Max — ยังไม่ใช่ production speed แต่ใช้ทดลอง interactive ได้ — PCIe 5.0 machines กำลังเข้าใกล้ความเร็วที่ใช้ได้จริง [2] | | Use Case | ทำไมถึงไม่เหมาะ | |---|---| Interactive chatbot | 0.1 tok/s — ใช้ไม่ได้ — มนุษย์รอไม่ไหว [2] | Coding assistant | รอ 10 นาทีเพื่อ complete function — ไม่ใช่ assistant [2] | Production API | Single-generation-at-a-time — concurrent requests เข้าคิว — ไม่ใช่ horizontal scaling [1] | Low-latency anything | Disk คือคอขวด — latency วัดเป็นนาที ไม่ใช่มิลลิวินาที | Colibri ทลายความเชื่อที่ว่า "744B model ต้องใช้ H100 8 ใบ" — มันพิสูจน์ว่าถ้าคุณเข้าใจ architecture ของโมเดล (MoE sparsity, MLA compression, DSA sparse attention) — คุณสามารถรันมันบนเครื่องที่ราคาถูกกว่า H100 หนึ่งใบได้ [1] `c/glm.c` — ~2,400 บรรทัด — ไฟล์เดียว — ไม่มี BLAS, ไม่มี Python runtime, ไม่มี Docker — แค่ gcc + OpenMP + AVX2 [1] สำหรับโปรแกรมเมอร์ที่อยากเข้าใจว่า inference engine ทำงานยังไง — นี่คือ codebase ที่อ่านจบได้ในบ่ายเดียว แทนที่จะพยายามทำทุกอย่างให้เร็วตั้งแต่แรก — Colibri ยอมรับว่ามันช้า — แล้วใช้ learning cache ทำให้เร็วขึ้นเมื่อคุณใช้มันมากขึ้น — นี่คือแนวคิดที่ต่างจาก "optimize for first token" ที่ทุกคนทำ [1] MTP head ที่ int8 — 39-59% draft acceptance — 2.2-2.8 tokens/forward — **lossless** — validated ด้วย rejection sampling — นี่คือเทคนิคที่ทุก inference engine ควรมี [1] Compressed MLA KV-cache — 576 floats/token — เซฟลงดิสก์หลังทุก turn — crash-safe — เปิดใหม่พรุ่งนี้ — zero re-prefill — นี่คือ feature ที่แม้แต่ ChatGPT ยังไม่มี [1] | ข้อจำกัด | รายละเอียด | |---|---| ความเร็ว | 0.05-1 tok/s — ไม่ใช่ interactive speed | Disk | ต้องการ NVMe ~400 GB — ext4 — ห้าม network/9p mount | CPU-only | AVX2 required — ARM ไม่รองรับ (ยกเว้น Apple Silicon ผ่าน Rosetta? — ยังไม่ test) | Single sequence | Execute ทีละ sequence — concurrent requests เข้าคิว | Text-only | API เป็น text-only — ไม่มี image/audio input | Linux/WSL2 | ไม่มี native Windows build — macOS ยัง experimental | MTP head ต้อง int8 | int4 MTP head ใช้ไม่ได้ — ต้องโหลด int8 head แยก | Colibri ไม่ได้พยายามเป็น inference engine ที่เร็วที่สุด — มันพยายามเป็น **inference engine ที่เล็กที่สุดที่ยังตอบถูกต้อง** — และมันทำสำเร็จ สำหรับโปรแกรมเมอร์ — Colibri คือ: **ลองวันนี้:** ``` git clone https://github.com/JustVugg/colibri cd colibri/c && ./setup.sh hf download jlnsrk/GLM-5.2-colibri-int4 --local-dir /nvme/glm52_i4 COLI_MODEL=/nvme/glm52_i4 ./coli chat ``` *แล้วคุณจะได้คุยกับ 744B frontier model — บนเครื่องคุณเอง — โดยไม่ต้องใช้ GPU สักใบ* [1] JustVugg, "colibri — Run GLM-5.2 (744B MoE) on a 25GB-RAM consumer machine", GitHub, July 2026. [https://github.com/JustVugg/colibri](https://github.com/JustVugg/colibri) [2] ChatForest (Grove), "Colibri Runs a 744B Model on 25 GB of RAM — Here Is the Architecture and When It Makes Sense for Builders", July 11, 2026. [https://chatforest.com/builders-log/colibri-engine-glm-5-2-744b-local-inference-disk-streaming-moe-builder-guide/](https://chatforest.com/builders-log/colibri-engine-glm-5-2-744b-local-inference-disk-streaming-moe-builder-guide/) [3] jlnsrk, "GLM-5.2-colibri-int4", Hugging Face, July 2026. [https://huggingface.co/jlnsrk/GLM-5.2-colibri-int4](https://huggingface.co/jlnsrk/GLM-5.2-colibri-int4) [4] PromptZone, "Colibri Runs GLM 5.2 on Low-End Hardware", July 2026. [https://www.promptzone.com/priya_sharma_8c5c4c03/colibri-runs-glm-52-on-low-end-hardware-4gbd](https://www.promptzone.com/priya_sharma_8c5c4c03/colibri-runs-glm-52-on-low-end-hardware-4gbd) [5] Luca Berton, "GLM-5.2 744B: Sparse Attention Meets Efficient MoE", June 2026. [https://lucaberton.com/blog/glm-5-2-744b-moe-architecture-2026/](https://lucaberton.com/blog/glm-5-2-744b-moe-architecture-2026/) [6] Labellerr, "7 Top Mixture of Experts AI Models for Developers in 2026", June 2026. [https://www.labellerr.com/blog/top-open-source-moe-llms/](https://www.labellerr.com/blog/top-open-source-moe-llms/)