Variante Flash de GLM 5.3 (Zhipu AI / THUDM), architecture Mixture-of-Experts multimodale. Licence MIT (famille GLM).
Idéal pour
Serveur multi-GPUCode & chat multimodalMultilingue zh / en
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.
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.
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
186 Go
Q5_K_M
Bon compromis qualité/taille
227 Go
Q8_0
Quasi-indistinguable de FP16
342 Go
FP16
Pleine précision — usage serveur
640 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 416 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
Quel GPU pour faire tourner GLM 5.3 Flash 320B-A18B ?
Pour exécuter GLM 5.3 Flash 320B-A18B en local en quantification Q4, il faut environ 186 Go de VRAM. Le meilleur rapport prix/performance : un GMKtec EVO-X2 128 Go (mini-PC IA, 128 Go de mémoire unifiée).
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.