GLM-5.3 Flash (320B-A18B) auf RTX 4090 (24GB) — VRAM, KV-Cache & Token/s
GLM-5.3 Flash (320B-A18B) (320B gesamt, 18B aktiv, Multi-head Latent Attention (MLA) MoE) benötigt 180.93 GiB für 4-Bit-Gewichte (Q4_K_M), 181.84 GiB gesamt bei 8K Kontext und 182.9 GiB bei 32K auf RTX 4090 (~5.4 tok/s).
Überschreitet verfügbaren GPU-Speicher
Aus config.json abgeleitet
HF config.json ↗
Benötigter GPU-Speicher
181.84 GiB
195.25 GB (dezimal)
Nutzbarer Hardware-Speicher
22.8 GiB
24 GB (physisch)
Sicherheitsreserve
-159.04 GiB
758% Auslastung
Geschätzter Decode-Durchsatz
~5.4 tok/s
18B aktive Parameter
Geschätzter Prefill-Durchsatz
~2383 tok/s
4K-Prompt TTFT: ~1719 ms
Kosten / 1 Mio. Tokens
$195.47
Multi-head Latent Attention (MLA) MoE · MIT
Empfohlene Hardware für diese Konfiguration
Beste Einzel-GPU
Instinct MI325X 256GB (256GB)
~$21,000
Preis-Leistungs- / Gebraucht-GPU
2x H200 141GB SXM
282GB · ~$64,000
Apple Unified Memory
Mac Studio M4 Ultra 256GB
~$5,999
Cloud ab
DigitalOcean · $3.80 / Std.
1x Instinct MI325X 256GB
Produktionsreife Startbefehle
llama.cpp (GGUF)
llama-server -hf unsloth/GLM-5.3-Flash-GGUF:Q4_K_M \ --ctx-size 8192 -ngl 999 --flash-attn
vLLM
vllm serve zai-org/GLM-5.3-Flash \ --max-model-len 8192 --gpu-memory-utilization 0.92
Echtzeit-Token-Geschwindigkeitssimulator (TTFT ~1719ms · ~5.4 tok/s)
[GLM-5.3 Flash (320B-A18B) · 181.84 GiB] auf Ziel-GPU reserviert. Prefill abgeschlossen; generiere Token in Echtzeit mit der berechneten Rate...
Cloud-GPU-Preisvergleich & Mieten-vs.-Kaufen-TCO
Verifizierte öffentliche Tarife von RunPod, Vast.ai, Vultr und DigitalOcean.
Kauf-Amortisation
~25.5 Monate
Geschätzte Stromkosten: $21.28 / Monat
| Anbieter | Empfohlene Instanz | Gesamt-VRAM | Stundensatz | Monatlich (bei Auswahl) | Abrechnungsmodell | Starten |
|---|---|---|---|---|---|---|
| RunPod | 1x B300 288GB Blackwell Ultra (Community Cloud) | 288 GB | $6.94 / Std. | $843.90 / Monat | Sekundengenau | GPU starten ↗ |
| Vast.ai | 2x H200 141GB SXM (Verifizierter Host · NVL) | 282 GB | $7.74 / Std. | $940.94 / Monat | Spot / On-Demand | GPU starten ↗ |
| Vultr ($300 Free Credit*) | 8x A100 80GB SXM (Dedizierte Instanz · $300 Credit*) | 640 GB | $19.18 / Std. | $2331.80 / Monat | Stündlich | GPU starten ↗ |
| Vultr Cloud GPU | 8x A100 80GB SXM (Dedizierte Instanz) | 640 GB | $19.18 / Std. | $2331.80 / Monat | Stündlich | GPU starten ↗ |
| DigitalOcean | 1x Instinct MI325X 256GB (Dedizierte Instanz) | 256 GB | $3.80 / Std. | $462.08 / Monat | Sekundengenau | GPU starten ↗ |
Preise entsprechen den öffentlichen Tarifen am Prüfdatum und variieren je nach Region und Verfügbarkeit.
Fine-Tuning VRAM-Bedarf (QLoRA / LoRA / Voll) — GLM-5.3 Flash (320B-A18B)
QLoRA (4b)
Überschreitet verfügbaren GPU-Speicher
184.53 GiB
Modellgewichte: 180.93 GiB · Gradienten + Optimizer: 2.52 GiB · Act: 1.08 GiB
Empfohlene GPU: Instinct MI325X 256GB (256GB)
LoRA (16b)
Überschreitet verfügbaren GPU-Speicher
601.44 GiB
Modellgewichte: 596.05 GiB · Gradienten + Optimizer: 3.96 GiB · Act: 1.43 GiB
Empfohlene GPU: 4x B200 180GB (720GB)
Voll-FT
Überschreitet verfügbaren GPU-Speicher
2446.32 GiB
Modellgewichte: 596.05 GiB · Gradienten + Optimizer: 1847.75 GiB · Act: 2.52 GiB
Empfohlene GPU: Multi-GPU erforderlich
Engineering-Diagnose & Optimierungsleitfaden
Schnelles Hardware-Fazit
Eine einzelne RTX 4090 (24GB) reicht für GLM-5.3 Flash (320B-A18B) in 4-Bit (181.84 GiB bei 8K) nicht aus. Nutzen Sie Multi-GPU Tensor-Parallelität, System-RAM-Offload oder eine größere Cloud-GPU.
KV-Cache- & Engine-Tuning
GLM-5.3 Flash (320B-A18B) nutzt Multi-head Latent Attention (MLA) MoE (320B gesamt, 18B aktiv pro Token). Zwischen 8K und 32K Kontext steigt der FP16-KV-Cache von 0.35 GiB auf 1.41 GiB; mit FP8/Q8_0-KV-Quantisierung sparen Sie bei 32K 0.71 GiB (gesamt 182.19 GiB).
VRAM-Skalierung nach Kontextfenster (4K bis 128K, 4-Bit-Gewichte)
Quantisierungs-, Speicher- & Durchsatzmatrix — GLM-5.3 Flash (320B-A18B) @ 8K
| Quantisierungsformat | Gewichte (GiB) | KV-Cache | Gesamt-VRAM (GiB) | Decode-Tempo | Kompatibilität (RTX 4090) | Empfohlene GPU | Datenquelle |
|---|---|---|---|---|---|---|---|
| Native Gewichte (BF16 / FP8 / MXFP4 — Verlustfrei) (BF16) | 596.05 GiB | 0.35 GiB | 596.96 GiB (640.98 GB) | ~1.6 tok/s | Überschreitet verfügbaren GPU-Speicher | Multi-GPU erforderlich | Offizielle Checkpoint-Größe |
| FP8 / GGUF Q8_0 (8-Bit — Nahezu Verlustfrei) (Q8_0) | 316.65 GiB | 0.35 GiB | 317.56 GiB (340.98 GB) | ~3 tok/s | Überschreitet verfügbaren GPU-Speicher | Multi-GPU erforderlich | Aus config.json abgeleitet |
| GGUF Q6_K (6-Bit — Hohe Präzision) (Q6_K) | 244.38 GiB | 0.35 GiB | 245.29 GiB (263.38 GB) | ~3.9 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI355X 288GB (288GB) | Aus config.json abgeleitet |
| GGUF Q5_K_M (5-Bit — Ausgewogen) (Q5_K_M) | 212.1 GiB | 0.35 GiB | 213.01 GiB (228.72 GB) | ~4.5 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI325X 256GB (256GB) | Aus config.json abgeleitet |
| Q4_K_M / UD-Q4_K_XL / AWQ (4-Bit — Empfohlen) (Q4_K_M) | 180.93 GiB | 0.35 GiB | 181.84 GiB (195.25 GB) | ~5.4 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI325X 256GB (256GB) | Aus config.json abgeleitet |
| GGUF IQ4_XS (4.25-Bit — Kompakt) (IQ4_XS) | 158.51 GiB | 0.35 GiB | 159.42 GiB (171.18 GB) | ~6.2 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI300X 192GB (192GB) | Aus config.json abgeleitet |
| GGUF Q3_K_M (3-Bit — Wenig VRAM) (Q3_K_M) | 145.82 GiB | 0.35 GiB | 146.73 GiB (157.55 GB) | ~6.7 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI300X 192GB (192GB) | Aus config.json abgeleitet |
| GGUF UD-Q2_K_XL (2-Bit — MoE Extrem) (UD-Q2_K_XL) | 102.7 GiB | 0.35 GiB | 103.61 GiB (111.25 GB) | ~9.9 tok/s | Überschreitet verfügbaren GPU-Speicher | Instinct MI300X 192GB (192GB) | Aus config.json abgeleitet |
Technische Spezifikationen & Häufige Fragen (FAQ)
Kann die RTX 4090 (24GB) GLM-5.3 Flash (320B-A18B) ausführen?
In 4-Bit (Q4_K_M) bei 8K Kontext benötigt GLM-5.3 Flash (320B-A18B) insgesamt 181.84 GiB VRAM (180.93 GiB Gewichte + 0.35 GiB KV-Cache + 0.56 GiB Puffer) bei 22.8 GiB nutzbarem Speicher auf der RTX 4090 (~5.4 tok/s Decode).
Wie viel VRAM benötigt GLM-5.3 Flash (320B-A18B) bei 32K Kontextlänge?
Bei 32.768 Tokens Kontextfenster belegt der KV-Cache 1.41 GiB, womit der gesamte 4-Bit-VRAM-Bedarf auf 182.9 GiB (196.39 GB dezimal) steigt.
Dieses Modell auf anderen GPUs testen
RTX 3060 12GB (12GB)RTX 4060 Ti 16GB (16GB)RTX 5060 Ti 16GB (16GB)RTX 4070 Ti Super (16GB)RTX 4080 Super (16GB)RTX 5070 12GB (12GB)RTX 5070 Ti (16GB)RTX 5080 (16GB)RTX 3090 (24GB)RTX 4090 D (24GB)RTX 5090 (32GB)RTX 5090 D (32GB)RTX A6000 (48GB)RTX 6000 Ada (48GB)RTX PRO 6000 Blackwell (96GB)DGX Spark (GB10 128GB) (128GB)L4 24GB (24GB)A40 48GB (48GB)L20 48GB (48GB)L40S 48GB (48GB)A800 80GB SXM (80GB)A100 80GB SXM (80GB)H800 80GB SXM (80GB)H100 80GB SXM (80GB)H20 96GB HBM3 (96GB)H20 141GB HBM3e (141GB)H200 141GB SXM (141GB)B200 180GB (180GB)B300 288GB Blackwell Ultra (288GB)Ascend 910B 64GB (昇腾) (64GB)Ascend 910C 128GB (昇腾) (128GB)Atlas 300I Duo 96GB (310P) (96GB)MLU590 80GB (寒武纪思元) (80GB)DCU K100-AI 64GB (海光深算) (64GB)MetaX C500 64GB (沐曦曦云) (64GB)Kunlunxin P800 64GB (昆仑芯) (64GB)MTT S4000 48GB (摩尔线程) (48GB)Radeon RX 7900 XTX 24GB (24GB)Radeon AI PRO R9700 32GB (32GB)Ryzen AI Max+ 395 128GB (128GB)Instinct MI300X 192GB (192GB)Instinct MI325X 256GB (256GB)Instinct MI355X 288GB (288GB)Arc Pro B60 24GB (24GB)Gaudi 3 128GB HBM2e (128GB)Mac mini M4 Pro 64GB (64GB)MacBook Pro M4 Max 128GB (128GB)Mac Studio M4 Ultra 256GB (256GB)Mac Studio M3 Ultra 512GB (512GB)
Weitere Modelle auf dieser Hardware testen
Qwen3.8 Flash Next (125B-A6B)Qwen3.8 27BQwen3.8 2.4T-A95BQwen3.6 35B-A3BQwen3.5 397B-A17BQwen3.5 122B-A10BQwen3.5 35B-A3BQwen3.5 27BQwen3.5 9BQwen3.5 4BQwen3 Coder 480B-A35BQwen3 Coder Next 80B-A3BQwen3 Coder 30B-A3BQwen3 30B-A3B Instruct 2507Qwen3 235B-A22B Instruct 2507Qwen3 32BQwen3 14BQwen3 8BQwen3 4B Instruct 2507Qwen3 1.7BQwen3 0.6BQwen2.5 72B InstructQwen2.5 Coder 32B InstructQwQ 32B ReasoningDeepSeek V4.1 Flash (552B-A16B)DeepSeek V4 FlashDeepSeek V3.2 (685B)DeepSeek R1-0528 671BDeepSeek V3-0324 671BDeepSeek R1 Distill Llama 70BDeepSeek R1 Distill Qwen 32BDeepSeek R1 Distill Qwen 14BDeepSeek R1 Distill Llama 8Bgpt-oss-20bgpt-oss-120bGemma 4 31B ITGemma 4 26B-A4B ITGemma 4 12B ITGemma 4 E4B ITGemma 4 E2B ITGemma 3 27B ITGemma 3 12B ITGemma 3 4B ITGLM-5.3 (753B)GLM-5 (744B)GLM-4.5 (355B-A32B)GLM-4.5 Air (110B-A12B)GLM-4 32B-0414Kimi K3.1 Pro (2.8T-A104B)Kimi K3 (2.8T-A104B)Kimi K2 Instruct (1T-A32B)Kimi-Dev 72BMiniMax M3.1 Flash (428B-A23B)MiniMax M2.5 (229B-A10B)Step-5 Preview (600B-A27B)Step-3.7 Flash (198B-A11B)Step-3.5 Flash (197B-A11B)ERNIE 4.5 300B-A47B (文心)ERNIE 4.5 21B-A3B (文心)Hunyuan A13B Instruct (混元 80B)MiniCPM5 2B (面壁)Llama 4 Maverick 17B-128E (400B)Llama 4 Scout 17B-16E (109B)Llama 3.1 405B InstructLlama 3.3 70B InstructLlama 3.1 8B InstructLlama 3.2 3B InstructMistral Large 4 (1T-A52B)Mistral Large 2 123BMixtral 8x22B InstructMixtral 8x7B InstructMistral Small 3.2 24BDevstral Small 24BNemotron 3 Ultra 550B-A55BNemotron 3 Super 120B-A12BNemotron 3 Nano 30B-A3BCohere Command A 111BPhi-4 14BLiquid LFM3 1.7B