01Ce qu'il sait faire
- MoE 320B/18B actifs : flagship multimodal
- Licence MIT permissive
- 128k contexte natif
- Multimodal chat / code / vision
- —Classe serveur multi-GPU (~186 Go VRAM Q4)
- —Poids gated sur Hugging Face (acceptation requise)
- —Débit modéré vu la taille totale
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 5.3 Flash 320B-A18B ?
Pour exécuter GLM 5.3 Flash 320B-A18B en local en quantification Q4, il faut environ 186 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.
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.