I Ran GLM 5.3 at MAX Locally for 200+ Hours... Forget GPT-6 & Fable 🤯

Item: I Ran GLM 5.3 at MAX Locally for 200+ Hours... Forget GPT-6 & Fable 🤯
Rating: 4
Author: PostSingularity Institute

J'ai exécuté GLM 5.3 au MAX localement pendant plus de 200 heures... Oubliez GPT-6 et Fable 🤯

par xCreate · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative

🎙 xCreate 👥 26K 📅 9 septembre 2026 ⏱ 50 min 👁 4K 📄 opinion experte 🧭 2026-09-09

Disponible en : Français (actuel) English

Mots-clés

MinMax thinkingtokensmode de raisonnementlocal AIquantization

Résumé

Dans cette vidéo, l’auteur teste le modèle open-weight GLM 5.3 en local sur un Mac Studio M3 Ultra, en comparant différents modes de pensée : low, high, max et un mode innovant appelé MinMax. Le problème de GLM 5.3 est son temps de génération très long en mode max, pouvant dépasser 90 000 tokens et plusieurs heures. L’auteur présente une méthode pour obtenir une intelligence maximale avec un minimum de tokens, baptisée MinMax, qui vise à sortir du raisonnement dès que le modèle a suffisamment compris le problème. Il démontre cette approche à travers de nombreux exemples : création de systèmes solaires 3D, simulation de bombes nucléaires, vaisseaux spatiaux, faces photoréalistes, corps humain, etc. Il montre que MinMax permet de réduire drastiquement le nombre de tokens (de 200 000 à 17 000 pour un visage) tout en obtenant des résultats quasi équivalents. Il aborde aussi des concepts comme le reasoning leakage et propose une fonction de limite de pensée pour contrôler davantage le processus. Il conclut que GLM 5.3 est puissant mais extrêmement lent, et que l’optimisation par MinMax rend son utilisation locale praticable. La vidéo inclut des démonstrations interactives et des comparaisons visuelles, ainsi qu’une analyse du nombre de tokens consommés pour chaque génération.

205 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de cette vidéo réside dans l’expérimentation concrète et étendue : plus de 200 heures de générations ont été réalisées pour analyser les comportements du modèle. L’auteur propose un mode original (MinMax) qui optimise le compromis intelligence/tokens, avec une argumentation basée sur des résultats tangibles : pour plusieurs prompts, le mode MinMax obtient des réponses correctes avec 10 à 20 fois moins de tokens que le mode max, sans perte significative de qualité. Il compare systématiquement les sorties de chaque mode et montre des captures à l’écran. L’argumentation est solide car elle s’appuie sur des exemples variés (maths, code, 3D) et des mesures de tokens. Toutefois, elle reste subjective, car il s’agit d’un test personnel sans méthodologie formalisée ni contrôle des variables (quantification, mémoire, etc.). L’analyse est détaillée et honnête sur les échecs et limitations, ce qui renforce la crédibilité.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est modérée : l’expérience est empirique et transparente, mais ne suit pas un protocole reproductible publié. Les sources citées sont principalement des liens vers l’outil Inferencer et des modèles HuggingFace, ainsi que des vidéos compagnons. La description contient des liens affiliés, ce qui peut introduire un biais commercial, mais cela ne semble pas affecter le contenu technique. Le titre est accrocheur et correspond globalement au contenu (long test en mode max), même si la mention ‘GPS-6 et Fable’ est exagérée et non justifiée. Le découpage en chapitres aide à la navigation. On note l’absence de références externes pour corroborer les résultats, ce qui limite la fiabilité globale.

266 mots

Adéquation titre / contenu

Le titre correspond bien au contenu : l'auteur a effectivement testé le modèle en mode max pendant de longues heures et présente des comparaisons détaillées.

Qualité & fiabilité

7/10

Test pratique approfondi du modèle GLM 5.3, avec de nombreux exemples concrets de générations comparées, mais avis personnel et présence de liens affiliés dans la description influençant potentiellement le propos.

Chapitres

Sources citées

Inferencer App — Outil utilisé pour exécuter le modèle en local.
GLM-5.3-MLX-Q4i sur HuggingFace — Modèle quantifié utilisé pour les tests.
GLM 5.3 Flash (vidéo compagnon) — Vidéo complémentaire sur une autre variante du modèle.
Qwen 4 EXP (vidéo compagnon) — Comparaison avec un autre modèle ouvert.
Kimi K3 (vidéo compagnon) — Comparaison avec un modèle tiers.

Références externes

vtudio.com

Apport & nouveautés

La principale nouveauté est l’introduction et la validation empirique d’un mode ‘MinMax thinking’ pour les LLM locaux, qui réduit considérablement la consommation de tokens tout en maintenant une qualité de sortie élevée. L’auteur propose également une fonction de ’limit thinking’ pour contrôler le nombre maximal de tokens de raisonnement. Ces techniques, bien que spécifiques à son implémentation, offrent une pistes d’optimisation pour l’inférence des grands modèles sur matériel grand public.

Pour aller plus loin :

Large language model — Pour comprendre les bases des LLM.
Quantization (signal processing) — Pour la réduction de la taille des modèles (quantification).
Chain-of-thought prompting — Sur les stratégies de raisonnement des modèles.

108 mots

Profil radar

Le profil radar montre une quantité d'informations très élevée (9/10) et un niveau technique solide (8/10), mais une fiabilité globale plus faible (6/10). Cela reflète un contenu riche et détaillé basé sur une expérience personnelle, mais avec des limites méthodologiques et un possible biais commercial.

Fiabilité 6/10