Zhipu AI (Z.ai)32B~20 GB VRAM przy Q4_K_M

GLM-Z1 32B (Reasoning) — VRAM, szybkość i lokalna konfiguracja

Name: LLM Configurator — GPU VRAM Checker
Author: LLM Configurator

Autor: Jakub Rusinowski · Ostatnia aktualizacja: 14 lutego 2026

Reasoning-specialized GLM variant. Near-GPT-5.2 on the AI Index. Best for math, logic, and scientific reasoning tasks.

GLM-Z1 32B (Reasoning) potrzebuje około 20 GB VRAM przy Q4_K_M — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.

Logika95

Kreatywność80

Kod88

VRAM i szybkość według kwantyzacji

Liczone dla NVIDIA RTX 4090 (24 GB). Tylko wagi i narzut: architektura tego modelu nie jest opublikowana, więc nie doliczamy pamięci KV.

Kwant.	VRAM	Szybkość (szac.)	Dopasowanie
Q2_K 2.63 bpw	11.3 GB	~58 tok/s	Mieści się
Q3_K_M 3.41 bpw	14.4 GB	~46 tok/s	Mieści się
Q4_K_M 4.83 bpw	20.1 GB	~34 tok/s	Mieści się
Q5_K_M 5.67 bpw	23.5 GB	~30 tok/s	Na styk
Q6_K 6.56 bpw	27 GB	~4 tok/s	Częściowo w RAM
Q8_0 8.50 bpw	34.8 GB	~3 tok/s	Częściowo w RAM
F16 16.00 bpw	64.8 GB	—	Za duży

Czarny znacznik = dostępna pamięć na NVIDIA RTX 4090 (24 GB). Szacunki z modelu przepustowości pamięci opisanego na stronie metodologii. Kalkulator VRAM dla GLM-Z1 32B (Reasoning) →

Uruchom GLM-Z1 32B (Reasoning)

Najtańsze GPU z naszego katalogu, które uruchomi GLM-Z1 32B (Reasoning), to AMD Radeon RX 7900 XTX (24 GB).

Kup ten sprzęt AMD Radeon RX 7900 XTX 24GB — 24 GB VRAM · 355 W board power Uruchom w chmurze RTX 4090 w RunPod — od $0.34/godz. · stawka sprawdzona 2026-07

lub porównaj w Vast.ai od $0.35/godz. (typical low · varies)

Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.

Ujawnienie afiliacyjne: Niektóre odnośniki na tej stronie to linki afiliacyjne — jeśli dokonasz zakupu za ich pośrednictwem, LLM Configurator może otrzymać prowizję bez dodatkowych kosztów dla Ciebie. Jako uczestnik programu Amazon Associates, LLM Configurator zarabia na kwalifikujących się zakupach.

AMD Radeon RX 7900 XTX 24GB

24 GB VRAM · 355 W board power

Ceny w 2026 są niestabilne — sprawdź aktualną ofertę.

Sprawdź cenę na Amazon

Jak uruchomić GLM-Z1 32B (Reasoning)

Zainstaluj Ollama, a potem uruchom:

$ollama run glm-z1:32b

Wagi na Hugging Face: THUDM/GLM-Z1-32B ↗

Specyfikacja

Preview — The model is released, but these specs are thin or rest on a single source. Individual fields may be wrong.

Parametry: 32 Billion
Okno kontekstu: 128,000
Architektura: Dense
Dostawca: Zhipu AI (Z.ai)
Licencja: Apache 2.0
Practical deployment: Single consumer GPU
Określono przy: Q4_K_M
RAM systemowy: 48 GB
Rekord zaktualizowany: 2026-02-14

LicencjaApache-2.0Użycie komercyjne dozwolone

Commercial use permitted. No usage restrictions beyond attribution.

Jakość i zastosowania

Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.

Najlepszy doreasoningmathsciencelogic

Czy uruchomię GLM-Z1 32B (Reasoning) na moim GPU?

Inne rozmiary GLM-4.7 / GLM-Z1

GLM-Z1 32B (Reasoning) — najczęściej zadawane pytania

How much VRAM does GLM-Z1 32B (Reasoning) need?

About 20 GB at Q4_K_M — quantized weights plus framework overhead, before any KV cache. The cache grows with context length and is added on top; the table above folds it in. Apple Silicon counts unified memory toward the same figure.

Does GLM-Z1 32B (Reasoning) run on an RTX 4090 (24 GB)?

Yes. GLM-Z1 32B (Reasoning) needs about 20 GB at Q4_K_M, inside a 24 GB card, at an estimated 34 tokens/sec.

How do I run GLM-Z1 32B (Reasoning) locally?

Install Ollama and run `ollama run glm-z1:32b`. That pulls the weights and starts a local OpenAI-compatible endpoint; after the download nothing leaves the machine.

What other sizes does GLM-4.7 / GLM-Z1 come in?

GLM-4 9B (6 GB), GLM-Z1 32B (Reasoning) (20 GB), GLM-4.7-Flash 30B-A3B (19 GB). Every size shares the family's training and licence; the larger ones score higher and need proportionally more memory.