01Ce qu'il sait faire
Points forts
- 128k contexte natif
- MoE actif efficace (40B sur 744B)
- Multilingue fort zh / en
- Licence MIT permissive
Limites à connaître
- —Hardware serveur multi-GPU obligatoire (432 Go VRAM Q4)
- —Gated sur Hugging Face
- —Pas dispo en self-host Ollama hors :cloud
Architecture
Mixture of Experts · 744B paramètres totaux / 40B actifs · 128k contexte
Entraînement
Famille GLM 5 de Zhipu AI / THUDM (Tsinghua). Flagship MoE classe serveur, multilingue zh/en.
Idéal pour
Serveur multi-GPUMultilingue zh / enTâches longues 128k
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
432 Go
Q5_K_M
Bon compromis qualité/taille
528 Go
Q8_0
Quasi-indistinguable de FP16
796 Go
FP16
Pleine précision — usage serveur
1488 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 967 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
Quel GPU pour faire tourner GLM 5 744B-A40B ?
Pour exécuter GLM 5 744B-A40B en local en quantification Q4, il faut environ 432 Go de VRAM. Le meilleur rapport prix/performance : un Mac Studio (64 Go de mémoire unifiée).
Où acheter le Mac Studio
DartyVoir Mac Studio →RakutenVoir Mac Studio →AmazonVoir Mac Studio →Liens affiliés — commission possible sans surcoût pour vous, reco indépendante. En tant que Partenaire Amazon, QuelLLM réalise un bénéfice sur les achats remplissant les conditions requises.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$# HuggingFace : THUDM/glm-5
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.