🗺️ Choisir son modèle local
Trois questions avant de choisir
Avant de regarder un leaderboard, répondez à ces trois questions dans l’ordre :
1. Quelle est votre tâche principale ?
| Tâche | Profil modèle recommandé |
|---|---|
| Chat / assistant général | Modèle instruction-tuned généraliste |
| RAG documentaire (en français) | Modèle fort en instruction following, bon contexte long |
| Agent custodien / code editing | Généraliste agentique 27–30B (Qwen3.8-27B, Muse Glimmer 30B, Granite 4.2) — voir « Spécialisations » ci-dessous |
| Résumé, extraction, classification | Modèle compact rapide, 7–8B suffisent souvent |
| Raisonnement / calcul complexe | Modèle de type “thinking” (chain-of-thought intégré) |
2. Combien de VRAM avez-vous ?
Voir Quantification pour calculer l’empreinte exacte. En Q4_K_M, règle approximative1 :
| VRAM disponible | Taille de modèle accessible |
|---|---|
| 8–12 Go | 7–8B |
| 16–24 Go | 14B (16 Go) — jusqu’à ~30B en Q4 (24 Go, ex. Qwen3.8-27B ≈ 18 Go) ; malgré son nom, Nemotron 3.5 Bolt 74B-A9B « 24GB » n’a pas de recette NVIDIA pour une carte de 24 Go (la plus légère : 28 Go, pour un GPU de 32 Go ou plus)2 |
| 48 Go | 32–34B confortablement |
| 80 Go (H100) | 70B en FP8/Q8 (~70 Go, contexte court) ou jusqu’à ~120B en Q4 (≈ 0,55–0,6 octet/paramètre, contexte court)3 |
| 128–160 Go (APU) | 70B Q8 ou ~150–230B en Q4 selon la mémoire allouable au GPU et la marge KV |
3. Combien d’utilisateurs simultanés ?
Plus il y a d’utilisateurs, plus le modèle doit être petit pour laisser de la VRAM au KV Cache concurrent. Un modèle 70B qui répond parfaitement à un seul utilisateur peut s’effondrer à cinq.
Le paysage open weights (T4 2026)
Le marché s’est stabilisé autour de quelques familles dominantes. Voici comment les lire.
Llama 3.x (Meta)
La référence généraliste des versions précédentes. Les modèles Llama 3.1/3.3 sont disponibles en 8B, 70B et 405B. Bien documentés, supportés par tous les moteurs (Ollama, vLLM, TensorRT-LLM), avec une licence commerciale permissive.
- Llama 3.3 70B : longtemps le meilleur rapport qualité/taille pour les usages PME ; au T4 2026, il reste un choix sûr et très bien supporté, mais il est dépassé à taille égale par les généralistes 27–30B (Qwen3.8-27B, Muse Glimmer 30B). Fort en instruction following, raisonnement et multilingual (dont le français).
- Llama 3.1 8B : bon pour les postes contraints ou les tâches simples. Limite visible sur des tâches de raisonnement complexes.
- Llama 3.1 405B : nécessite un cluster multi-GPU (scénario D). Performances proches des modèles frontière sur les tâches générales.
Llama 4 (Meta) — scénario D uniquement
Nativement multimodaux (texte + image), architecture MoE, sortis en avril 20254. Il n’existe toujours pas de Llama 4 utilisable sur une machine de bureau, et Meta n’a publié aucun Llama depuis : sa ligne ouverte s’appelle désormais Muse Glimmer 30B (Apache 2.0, texte + image, ~24 Go en 4-bit)5.
- Llama 4 Scout (109B total / 17B actifs, 16 experts) : contexte 10M tokens. Tient sur un seul H100 avec quantification int4. Pertinent uniquement pour le scénario D (datacenter).
- Llama 4 Maverick (400B total / 17B actifs, 128 experts) : contexte 1M tokens. Requiert un host DGX complet en FP8 ou BF16. Performances comparables aux modèles frontière sur les benchmarks STEM.
Qwen3.8 / Qwen3 (Alibaba)
La famille la plus polyvalente du paysage open weights, avec une excellente couverture multilingue (dont le français). Au T4 2026 :
- Qwen3.8-27B (dense, Apache 2.0, vision + vidéo, 262k tokens) : ~18 Go en Q4 via Ollama, le choix par défaut pour un GPU 24 Go et pour les agents de code (SWE-bench Pro 61,7)3.
- Qwen3-30B-A3B (MoE, Apache 2.0) : 3B actifs, ~18 Go en Q4, excellent débit sur APU ; même classe que Nemotron 3.5 Lightning 30B-A3B (NVIDIA, NVFP4 officiel ≈ 22 Go, licence OpenMDW 1.1 commerciale)6.
- Qwen3.8-Flash-Next et Qwen3.8-2.4T-A95B (« Qwen3.8-Max ») : flagships sous licences custom (qwen-community-1.0, qwen3.8-max), à lire avant tout usage commercial ; taille datacenter.
DeepSeek (DeepSeek AI)
- DeepSeek V4 / V4.1 (MIT) : la génération courante. V4-Flash (284B dont 13B actifs pour la preview, 304B pour la révision 0731, 1M tokens) et V4.1-Flash (552B + 196B de mémoire conditionnelle, 8 à 16B actifs, KV cache FP4) remplacent V3 et R1 ; le raisonnement est intégré (effort réglable), plus de modèle « R » séparé. V4.1-Flash et V4-Pro sont de taille datacenter (nœud 8 GPU 80 Go minimum) ; V4-Flash (~300 Go en FP8, ~150–170 Go en 4-bit) tient aussi sur un cluster de bureau de 256–384 Go (scénario C)7.
- DeepSeek-R1 / V3 (2025) : encore disponibles et bien supportés, mais dépassés à coût égal.
Mistral / Mixtral (Mistral AI)
- Mistral Small 4 (119B) et Mistral Medium 3.5 (128B) : la ligne ouverte actuelle, avec des checkpoints NVFP4 officiels pour Small 49. Mistral 7B et Mixtral 8x7B restent utilisables mais datent de 2023-2024.
- Mistral Large 4 (~1T MoE, 52B actifs, multimodal, contexte 1M) : présenté le 6 octobre 2026 en API preview, poids publiés le 29 octobre 2026 sur Hugging Face (
mistralai/Mistral-Large-4-1T-A52B) sous Mistral Ecosystem Open-Weight license, une MIT modifiée. Usage, modification, fine-tuning et usage commercial sont libres, mais une entreprise qui le revend en Model-as-a-Service doit obtenir une licence commerciale séparée auprès de Mistral. Taille datacenter10.
Kolibri (Aleph Alpha)
- Kolibri 1 (Aleph Alpha, Allemagne, 3 octobre 2026) : MoE de raisonnement de 78B paramètres dont 3,46B actifs par token, sous Apache 2.0, avec appel d’outils et un contexte natif de 262k tokens (validé jusqu’à 1M). Les poids sont publiés en FP8 (~78 Go) : l’éditeur indique au minimum un H200, un B200 ou deux GPU 80 Go (A100 / H100), donc un serveur de type scénario D ; avec si peu de paramètres actifs, le débit reste celui d’un petit modèle11.
- Deux limites à peser avant de le retenir : il ne vise que l’allemand et l’anglais (le français n’est pas une langue cible), et il se sert via un plugin vLLM de l’éditeur (
aleph-alpha-inference), sans build Ollama ni GGUF annoncé. Son intérêt est surtout la provenance : éditeur européen, signataire du code de bonne pratique GPAI de l’UE ; les scores publiés sont ceux de l’éditeur, à confirmer sur votre corpus (voir Évaluer un modèle local)11.
Nemotron 3.5 (NVIDIA)
- Nemotron 3.5 Bolt 74B-A9B 24GB (15 octobre 2026, licence OpenMDW 1.1, usage commercial autorisé) : MoE hybride Mamba-2/Transformer de 74B paramètres dont 9B actifs, avec vision et 256K de contexte. NVIDIA l’a compressé depuis Nemotron 3.5 Super VL et le livre avec des experts en 2 bits (IQ2_XXS) entraînés par distillation (QAD). Le « 24GB » désigne l’empreinte mémoire visée sur RTX/DGX Spark, pas une carte de 24 Go : le GGUF pèse 22 Go plus 1,7 Go d’encodeur visuel. Les recettes llama.cpp de NVIDIA demandent 28 Go (contexte 64K, cache KV q8_0, GPU de 32 Go ou plus, ou RTX/DGX Spark de 64 Go) ou 32 Go (contexte 256K, GPU de 48 Go ou plus, ou Spark de 128 Go)2.
- Intérêt pour un poste unique : sur RTX Spark, avec son drafter, NVIDIA le mesure à 84 tokens/s, contre 28 pour Qwen3.8-27B en Q4 mais 97 pour Qwen3.6-35B-A3B et 101 pour Gemma 4 26B-A4B. NVIDIA le donne devant ces deux MoE sur de nombreux benchmarks d’agents (chiffres éditeur). Limites au T4 2026 : pas de support Apple Silicon dans Ollama, et vLLM seulement via une image nightly. Validez-le sur votre golden dataset avant de le préférer à un 27–30B en Q42.
Phi-4 / Phi-3 (Microsoft)
Modèles compacts (3.8B–14B) avec une qualité de raisonnement élevée pour leur taille. Intéressants pour les usages sur machine de bureau avec peu de VRAM.
- Phi-4 14B : performances proches de certains 70B sur les tâches de raisonnement et de code, pour 8 Go de VRAM en Q4.
Correspondance modèle → scénario on-premise
| Scénario | Matériel type | Modèle recommandé | Cas d’usage |
|---|---|---|---|
| A — Labo Dev | PC GPU 24 Go (+ offloading au-delà) ou mémoire unifiée 64 Go | Qwen3.8-27B Q4 (~18 Go)3, Granite 4.2 8B12 ou Gemma 4 E4B13 | Dev solo, tests, prototypage |
| B — Appliance PME | APU 128 Go mémoire unifiée | Qwen3.8-27B3 ou Muse Glimmer 30B5 (Q8 possible) ; Nemotron 3.5 Lightning 30B-A3B NVFP4 (~22 Go, 256k) pour le débit6 | Assistant équipe, RAG documentaire |
| C — Cluster Bureau | 2–4 machines Thunderbolt | GLM-5.3-Flash (320B / 18B actifs, MIT)14 ou DeepSeek V4-Flash (MIT)7 | PME avancée, modèle très capable |
| D — Datacenter | Multi-H100 / MI300X | DeepSeek V4.1-Flash / V4-Pro (MIT)7, MiMo-V2.6-Pro (1,02T / 42B actifs) et MiMo-V2.6-Flash (309B / 15B actifs), MIT, texte + image + vidéo + audio, depuis septembre 202615, GLM-5.3 (licence custom)14, Kimi K3 (MXFP4 natif, licence custom)16, Qwen3.8-2.4T-A95B (licence custom) ; Llama 4 Scout / Maverick restent valables4 | Production 50+ utilisateurs, SLA, multimodal |
Spécialisations : quand choisir un modèle coder ?
Les modèles généralistes (Llama, Qwen généraliste) peuvent écrire du code, mais ils ne sont pas faits pour modifier un dépôt existant de façon fiable. Un agent custodien qui doit faire des search-and-replace précis dans du Markdown ou du code a besoin d’un modèle entraîné pour l’édition de code agentique.
Depuis 2026, les modèles généralistes de 27–30B entraînés pour l’agentique (Qwen3.8-27B, Muse Glimmer 30B, Granite 4.2) remplacent les variantes « Coder » dédiées : ils dépassent les Coder de 2024 sur SWE-bench, et la distinction coder / généraliste s’est estompée.
Règle pratique (T4 2026) :
| Usage | Modèle minimal | Modèle recommandé |
|---|---|---|
| Complétion de code dans un IDE | Granite 4.2 8B12 | Qwen3.8-27B3 |
| Agent custodien (corrections contrôlées) | Qwen3.8-27B3 | Muse Glimmer 30B5 |
| Agent autonome (maintenance régulière) | Qwen3.8-27B (Apache 2.0, 262k)3 | Muse Glimmer 30B (Apache 2.0, SWE-bench Verified 76,0)5 ou Granite 4.2 30B (Apache 2.0)12 |
Modèles de raisonnement : quand en avez-vous besoin ?
Les modèles “thinking” (Qwen3.83, Granite 4.212, DeepSeek V4.17 — tous avec un mode raisonnement activable ou un niveau d’effort réglable) génèrent un raisonnement interne avant la réponse. Ils sont utiles pour :
- les problèmes mathématiques ou logiques ;
- les analyses multi-étapes (due diligence, audit) ;
- les tâches où une erreur de raisonnement est coûteuse.
En contrepartie :
- le TTFT est plus long (le modèle “réfléchit” avant de répondre) ;
- les tokens de raisonnement consomment du contexte et de la VRAM ;
- ils sont surdimensionnés pour les tâches simples (extraction, classification, chat).
Comment lire un leaderboard sans se tromper
Les classements publics (Arena, Artificial Analysis, SWE-bench Pro, HELM) sont utiles pour une première orientation, mais ne remplacent pas vos tests.
Ce que les leaderboards disent quand même d’utile :
- Hugging Face : l’Open LLM Leaderboard est archivé depuis 2025 ; servez-vous du Hub pour vérifier licence, taille des fichiers et quantifications disponibles, et d’Artificial Analysis (en vérifiant la version de l’indice) pour une vue composite18.
- SWE-bench Pro V2 (Scale)17 : le plus représentatif pour les agents de code (vraies issues GitHub, protocole verrouillé depuis septembre 2026).
Où en sont les poids ouverts face aux modèles fermés (octobre 2026) ? Sur l’Intelligence Index v4.3 d’Artificial Analysis, Claude Opus 5.5 obtient 58, Claude Fable 5.1 et GPT-6 Astra 53 ; les meilleurs modèles à poids ouverts suivent à 46 (MiMo-V2.6-Pro, MIT), 45 (GLM-5.3) et 44 (Kimi K3)19. Sur arena.ai, aucun modèle ouvert ne figure dans le top 15 au 2026-10-08 ; le premier, kimi-k3-max, est 16e20. L’écart est réel, mais il se comble en quelques trimestres à chaque nouvelle génération ouverte. Pour un lecteur on-premise, la question n’est donc pas le podium mais le niveau suffisant pour la tâche, mesuré sur vos propres données : un Qwen3.8-27B qui réussit votre golden dataset vaut mieux qu’un modèle frontière que vous ne pouvez ni héberger ni auditer.
Checklist de sélection
Avant de télécharger un modèle :
- La licence autorise-t-elle votre usage ? Apache 2.0 / MIT / OpenMDW 1.1 : oui. Llama Community, Kimi K3 License, glm-5.3, qwen3.8-max, qwen-community-1.0 : lisez les seuils (MAU, revenus MaaS) avant de déployer1416.
- Les poids sont-ils réellement téléchargeables ? Un tag Ollama
:cloud(Kimi K3, GLM-5.3) signifie inférence hébergée, pas on-premise21. - Le modèle tient-il dans votre VRAM avec la quantification visée + marge KV Cache ?
- Le moteur d’inférence cible le supporte-t-il ? (GGUF pour Ollama, safetensors pour vLLM)
- Des évaluations communautaires existent-elles sur votre langue ? (le français est moins couvert que l’anglais)
- Avez-vous un golden dataset pour le tester sur vos données réelles ?
- Pour un agent : avez-vous un modèle agentique de 27–30B (Qwen3.8-27B, Muse Glimmer 30B, Granite 4.2 30B), pas un généraliste 7B ?
Voir aussi
- 🧪 Évaluer un modèle local — protocole de test, KPI, golden dataset
- 🗜️ La Quantification — calculer l’empreinte VRAM
- ⚙️ Moteurs d'inférence — choisir le bon moteur selon l’usage
- MoE — comprendre les architectures Mixture of Experts
- Benchmark LLM
📚 Sources et Références
Footnotes
-
J. Wang et al., Which Quantization Should I Use? A Unified Evaluation of llama.cpp Quantization on Llama-3.1-8B-Instruct (réduction de taille Q4_K_M ≈ 69 %, soit ≈ 0,5 octet/paramètre + marge KV Cache), arXiv:2601.14277, janvier 2026. https://arxiv.org/abs/2601.14277 ↩
-
NVIDIA, NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB-GGUF (74B / 9B actifs, experts IQ2_XXS par QAD, contexte 256K, OpenMDW 1.1 ; GGUF 22 Go + mmproj 1,73 Go ; recettes llama.cpp à 28 Go pour RTX/DGX Spark 64 Go ou GPU 32 Go+ et à 32 Go pour Spark 128 Go ou GPU 48 Go+), publié le 2026-10-15, consulté le 2026-11-20 ; NVIDIA, NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB (checkpoint safetensors, vLLM via une image
vllm/vllm-openai:nightly) ; NVIDIA Research, NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB (AIPerf SPEED-Bench-Coding sur RTX Spark 128 Go : 83,99 tok/s contre 96,63 pour Qwen3.6 35B-A3B, 100,56 pour Gemma 4 26B-A4B et 28,26 pour Qwen3.8 27B, tous en UD-Q4_K_M), 2026-10-15 ; Ollama, nemotron-3.5-bolt (25 Go, Apple Silicon / Metal non pris en charge pour 74B-A9B), consulté le 2026-11-20. https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB-GGUF · https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB · https://research.nvidia.com/labs/nemotron/Nemotron-3.5-Bolt-24GB/ · https://ollama.com/library/nemotron-3.5-bolt ↩ ↩2 ↩3 -
Qwen, Qwen3.8-27B (dense, Apache 2.0, contexte 262k ; BF16 ≈ 56 Go, Q4 via Ollama ≈ 18 Go — soit ~2 octets/paramètre en BF16 et ~0,6 en Q4), août 2026. https://huggingface.co/Qwen/Qwen3.8-27B ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8
-
Meta AI, The Llama 4 herd: natively multimodal AI innovation (Scout 109B/17B actifs, Maverick 400B/17B actifs, architecture MoE), Avril 2025. https://ai.meta.com/blog/llama-4-multimodal-intelligence/ ↩ ↩2
-
Meta, Muse Glimmer 30B (Apache 2.0, texte + image, SWE-bench Verified 76,0), août 2026. https://huggingface.co/meta-models/Muse-Glimmer-30B ↩ ↩2 ↩3 ↩4
-
NVIDIA, Nemotron-3.5-Lightning-30B-A3B (BF16 / NVFP4 ≈ 22 Go / GGUF, licence OpenMDW 1.1, 256k de contexte sur un GPU 80 Go), août 2026. https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 ↩ ↩2
-
DeepSeek AI, DeepSeek-V4.1-Flash (MIT, 552B + 196B de mémoire conditionnelle Engram, 8–16B actifs, KV cache FP4 890 octets/token), septembre 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash ; DeepSeek AI, DeepSeek-V4-Flash-0731 (MIT, ~304B, 1M tokens), 2026-07-31. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731 ↩ ↩2 ↩3 ↩4
-
DeepSeek AI, DeepSeek-V3 (671B, 37B actifs, poids FP8 natifs). https://huggingface.co/deepseek-ai/DeepSeek-V3 ; unsloth, DeepSeek-V3-GGUF (Q4_K_M : 9 fichiers, ≈ 404 Go — tous les experts résidents en VRAM), janvier 2025. https://huggingface.co/unsloth/DeepSeek-V3-GGUF ↩
-
Mistral AI, dépôts Hugging Face (Mistral-Small-4-119B-2603 et sa variante NVFP4, Mistral-Medium-3.5-128B), relevé le 2026-10-09. https://huggingface.co/mistralai ↩
-
Mistral AI, Mistral Large 4 (API preview), 2026-10-06. https://mistral.ai/news/mistral-large-4 · Mistral AI, annonce de la publication des poids (Hugging Face
mistralai/Mistral-Large-4-1T-A52B, Mistral Ecosystem Open-Weight license : MIT modifiée, licence commerciale séparée pour les offres Model-as-a-Service), 2026-10-29. https://mistral.ai/news/mistral-large-4-oss/ · https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/LICENSE ↩ -
Aleph Alpha, Kolibri-1 (MoE 78B, 3,46B actifs, Apache 2.0, allemand et anglais, contexte natif 262 144 tokens validé jusqu’à 1 048 576, poids FP8 ≈ 78 Go ; minimum 2× A100 80 Go, 2× H100 SXM5, 1× H200, 1× B200 ou 1× B300 ; plugin vLLM
aleph-alpha-inference), 2026-10-03. https://huggingface.co/Aleph-Alpha/Kolibri-1 ; Aleph Alpha, Kolibri has landed: a sovereign open-weight model, 2026-10-03. https://aleph-alpha.com/en/blog/kolibri-has-landed-a-sovereign-open-weight-model/ ↩ ↩2 -
IBM, Granite 4.2 30B (Apache 2.0, tool calling au format OpenAI), 2026-08-25. https://huggingface.co/ibm-granite/granite-4.2-30b ↩ ↩2 ↩3 ↩4
-
Google, Gemma 4 31B IT (Apache 2.0 ; famille E2B / E4B / 26B-A4B / 31B), avril 2026. https://huggingface.co/google/gemma-4-31b-it ↩
-
Z.ai, GLM-5.3-Flash (320B MoE, 18B actifs, MIT), 2026-08-26. https://huggingface.co/zai-org/GLM-5.3-Flash ; Z.ai, GLM-5.3 (licence
glm-5.3). https://huggingface.co/zai-org/GLM-5.3 ↩ ↩2 ↩3 -
Xiaomi, MiMo-V2.6-Pro-MOPD et MiMo-V2.6-Flash-MOPD (MoE 1,02T / 42B actifs et 309B / 15B actifs, contexte 1M, omni, licence MIT ; recettes vLLM de l’éditeur en TP 8 pour Pro et TP 4 pour Flash, recette SGLang de Pro sur deux nœuds ; mise à jour MOPD du 2026-09-27 contre la répétition d’appels d’outils), Hugging Face. https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-MOPD · https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-MOPD ↩
-
Moonshot AI, Kimi K3 (MXFP4 natif ; Kimi K3 License : accord séparé au-delà de 20 M$ de revenus MaaS sur 12 mois). https://huggingface.co/moonshotai/Kimi-K3 ↩ ↩2
-
Scale AI, SWE-Bench Pro V2 (642 tâches, 11 dépôts, 2026-09-22). https://labs.scale.com/leaderboard/swe_bench_pro_public_v2 ; Vals AI, SWE-bench Verified (arrêt des runs le 2026-09-01, top > 96 %). https://www.vals.ai/benchmarks/swebench ↩ ↩2
-
Hugging Face, Open LLM Leaderboard — archive. https://huggingface.co/docs/leaderboards/en/open_llm_leaderboard/archive ; Artificial Analysis, Intelligence Index v4.3 (2026-09-07). https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-3 ↩
-
Artificial Analysis, Intelligence Index — classement des modèles (Claude Opus 5.5 58, Claude Fable 5.1 53, GPT-6 Astra 53, MiMo-V2.6-Pro 46, GLM-5.3 45, Kimi K3 44 ; indice v4.3 ou révision 4.3.x), relevé le 2026-10-10. https://artificialanalysis.ai/leaderboards/models ; Artificial Analysis, Claude Opus 5.5 (58, « the highest score we have measured by several points »), 2026-09-22. https://artificialanalysis.ai/articles/claude-opus-5-5 ↩
-
Arena, Text Leaderboard (classement par préférence humaine multi-tour ; snapshot du 2026-10-08 : aucun modèle open weights dans le top 15, kimi-k3-max au rang 16). https://arena.ai/leaderboard/text ↩
-
Ollama, Library — kimi-k3 (seul tag
kimi-k3:cloud, 2,81T paramètres : inférence hébergée) et glm-5.3 (tag:cloud), consultés le 2026-10-10. https://ollama.com/library/kimi-k3 · https://ollama.com/library/glm-5.3 ↩