01Ce qu'il sait faire
- 128k contexte natif
- MoE actif efficace (40B sur 744B)
- Multilingue fort zh / en
- Licence MIT permissive
- —Hardware serveur multi-GPU obligatoire (432 Go VRAM Q4)
- —Gated sur Hugging Face
- —Pas dispo en self-host Ollama hors :cloud
04Installer
Installez Ollama pour votre OS. Vérifiez le modèle et sa quantification avant le téléchargement. Commencez avec 4096 tokens de contexte, puis contrôlez le placement avec ollama ps. Une commande ci-dessous n’est pas une preuve de test exécuté sur votre machine.
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.
Quel matériel pour GLM 5 744B-A40B ?
Pour exécuter GLM 5 744B-A40B en local en quantification Q4, il faut environ 432 Go de VRAM. Une option à comparer : GMKtec EVO-X2 64 Go / 1 To (Ryzen AI Max+ 395) — ce modèle dépasse la capacité GPU de ce mini-PC : choisissez un modèle plus petit ou une infrastructure adaptée.
Pourquoi ce choix ? Notre fiche complète sur GMKtec EVO-X2 64 Go / 1 To (Ryzen AI Max+ 395) →
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.
Trop gros pour ta machine ? Le kit te donne le modèle qui tient dans ta VRAM
- Espace en ligne à vie
- PDF + fichiers
- Mises à jour à vie
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.