GLM-5.3 — VRAM, szybkość i lokalna konfiguracja
Autor: Jakub Rusinowski · Ostatnia aktualizacja:
753B parameters in a 256-expert MoE (8 routed per token, about 40B active) with multi-head latent attention and DeepSeek-style sparse attention; 1M-token context. Every expert must be resident, so at Q4_K_M it needs a multi-GPU server. Z.ai serves it with SGLang and vLLM; Ollama lists only a cloud-hosted tag.
GLM-5.3 potrzebuje około 456 GB VRAM przy Q4_K_M — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.
VRAM i szybkość według kwantyzacji
Liczone dla NVIDIA RTX 4090 (24 GB). Obejmuje pamięć podręczną KV przy kontekście 8K, więc wartości są wyższe niż główna liczba.
| Kwant. | Pamięć | VRAM | Szybkość (szac.) | Dopasowanie |
|---|---|---|---|---|
| Q2_K 2.63 bpw | 249.2 GB | — | Za duży | |
| Q3_K_M 3.41 bpw | 322.6 GB | — | Za duży | |
| Q4_K_M 4.83 bpw | 456.3 GB | — | Za duży | |
| Q5_K_M 5.67 bpw | 535.4 GB | — | Za duży | |
| Q6_K 6.56 bpw | 619.2 GB | — | Za duży | |
| Q8_0 8.50 bpw | 801.9 GB | — | Za duży | |
| F16 16.00 bpw | 1508.1 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-5.3 →
Uruchom GLM-5.3
GLM-5.3 is not practical on a single consumer GPU: it needs about 455.6 GB at Q4_K_M, more than any single device in our catalogue holds with headroom. How multi-GPU inference works, or rent a multi-GPU server by the hour:
Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.
Jak uruchomić GLM-5.3
No local Ollama tag. Ollama lists glm-5.3 only as a cloud-hosted ':cloud' tag, which runs on Ollama's servers, not your machine.
Specyfikacja
Corroborated — Two or more independent sources agree on these figures, but the model card itself was not retrieved. Treat the numbers as good rather than confirmed. Jeszcze niepotwierdzone: active parameters.
- Parametry
- 753 Billion (40B active)
- Okno kontekstu
- 1,048,576
- Architektura
- Sparse MoE (256 experts, 8 active), MLA + sparse attention
- Dostawca
- Zhipu AI (Z.ai)
- Licencja
- GLM-5.3 License (MIT-style, with a security-review clause for large Model-as-a-Service operators)
- Availability
- Weights downloadable
- Practical deployment
- Multi-GPU server
- Określono przy
- Q4_K_M
- RAM systemowy
- 512 GB
- Rekord zaktualizowany
- 2026-10-13
Weights are downloadable and commercial use is permitted, subject to the licence’s acceptable-use terms.
Zobacz też GLM-5.3-Flash 320B-A18B
Jakość i zastosowania
Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.
Independent evaluation — not vendor-claimed and not measured by us
| Benchmark | Wynik | Źródło |
|---|---|---|
| AA Intelligence Index v4.3.2 (Max) | 45 | independent · Artificial Analysis · snapshot 2026-10-13 |
GLM-5.3 — najczęściej zadawane pytania
How much VRAM does GLM-5.3 need?
About 456 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-5.3 run on an RTX 4090 (24 GB)?
No. GLM-5.3 needs about 456 GB at Q4_K_M, more than a single RTX 4090's 24 GB. It needs a larger card, several GPUs, or Apple Silicon with enough unified memory — or it runs with part of the weights offloaded to system RAM, which is much slower.
How do I run GLM-5.3 locally?
No local Ollama tag. Ollama lists glm-5.3 only as a cloud-hosted ':cloud' tag, which runs on Ollama's servers, not your machine. Running the published tag would send your prompts to a hosted GPU rather than your own machine.