GLM-5.3 Flash: сколько видеопамяти нужно и на какой видеокарте запустить
GLM-5.3 Flash в квантизации UD-Q4_K_XL с контекстом 8 тысяч токенов занимает 187,3 ГБ видеопамяти. Самый дешёвый вариант сейчас — 8× Tesla V100 32 ГБ, от 271 ₽/ч.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
Как запустить на gpu.nz
Для API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Вопросы
Сколько видеопамяти нужно GLM-5.3 Flash?
В квантизации UD-Q4_K_XL с контекстом 8 тысяч токенов — 187,3 ГБ: веса 186,0 ГБ, кэш контекста 0,27 ГБ и около 1 ГБ служебной памяти. В BF16 — 598,9 ГБ.
Запустится ли GLM-5.3 Flash на RTX 4090 с 24 ГБ?
В одну RTX 4090 модель не помещается даже в UD-Q4_K_XL: нужно 187,3 ГБ. Подойдёт видеокарта с 288 ГБ ГБ или несколько RTX 4090.
Сколько стоит запустить GLM-5.3 Flash?
Самый дешёвый подходящий сервер сейчас — 8× Tesla V100 32 ГБ, от 271 ₽/ч. Оплата поминутная: остановили сервер — платите только за диск.
Какую квантизацию выбрать?
Q4_K_M — стандарт для чата: качество почти как у оригинала при размере втрое меньше BF16. Q5_K_M и Q6_K точнее, Q8_0 почти не отличается от оригинала. Для vLLM берите FP8 или BF16.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.