GLM-5 (744B) auf Gaudi 3 128GB HBM2e (128GB) — VRAM, KV-Cache & Token/s

GLM-5 (744B) (744B gesamt, 40B aktiv, Multi-head Latent Attention (MLA) MoE) benötigt 420.45 GiB für 4-Bit-Gewichte (Q4_K_M), 421.71 GiB gesamt bei 8K Kontext und 423.76 GiB bei 32K auf Gaudi 3 128GB HBM2e (~3.1 tok/s).

Interaktiver Dimensionierungs-Konfigurator

Vollständigen Bericht öffnen →

Open-Weight-Modell744B / 40B

Gewichte & QuantisierungQ4_K_M · 420.45 GiB

Kontextfenster8,192 (8K)

Ziel-Hardware

128 GB · 3700 GB/s

GPU-Anzahl (Tensor Parallel)

Parallele Sequenzen (Batch Size)

KV-Cache-Präzision

Inferenz-Engine

System-RAM-Offload (CPU)0%

Überschreitet verfügbaren GPU-Speicher

Aus config.json abgeleitet HF config.json ↗

Speicheraufteilung im Detail (GiB) 421.71 GiB (452.81 GB) / 128 GiB (329%)

Modellgewichte: 420.45 GiB KV-Cache & Zustand: 0.69 GiB Engine- & Aktivierungspuffer: 0.57 GiB System-RAM-Offload (CPU): 0 GiB

Benötigter GPU-Speicher

421.71 GiB

452.81 GB (dezimal)

Nutzbarer Hardware-Speicher

121.6 GiB

128 GB (physisch)

Sicherheitsreserve

-300.11 GiB

329% Auslastung

Geschätzter Decode-Durchsatz

~3.1 tok/s

40B aktive Parameter

Geschätzter Prefill-Durchsatz

~11928 tok/s

4K-Prompt TTFT: ~343 ms

Kosten / 1 Mio. Tokens

$316.85

Multi-head Latent Attention (MLA) MoE · MIT

Empfohlene Hardware für diese Konfiguration

Beste Einzel-GPU

Multi-GPU erforderlich

—

Preis-Leistungs- / Gebraucht-GPU

4x H200 141GB SXM

564GB · ~$128,000

Apple Unified Memory

Übersteigt 512 GB

—

Cloud ab

Vast.ai · $3.54 / Std.

8x A100 80GB SXM

Produktionsreife Startbefehle

llama.cpp (GGUF)

llama-server -hf unsloth/GLM-5-GGUF:Q4_K_M \
  --ctx-size 8192 -ngl 999 --flash-attn

vLLM

vllm serve zai-org/GLM-5 \
  --max-model-len 8192 --gpu-memory-utilization 0.92

Echtzeit-Token-Geschwindigkeitssimulator (TTFT ~343ms · ~3.1 tok/s)

[GLM-5 (744B) · 421.71 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.

Geprüft am: 2026-11-05

Aktive Nutzung (Stunden / Tag)4 Std. / Tag

Lokales Hardware-Budget ($)

Stromtarif ($/kWh)

Kauf-Amortisation

~9.3 Monate

Geschätzte Stromkosten: $12.77 / Monat

Anbieter	Empfohlene Instanz	Gesamt-VRAM	Stundensatz	Monatlich (bei Auswahl)	Abrechnungsmodell	Starten
RunPod	2x B300 288GB Blackwell Ultra (Community Cloud)	576 GB	$13.88 / Std.	$1687.81 / Monat	Sekundengenau	GPU starten ↗
Vast.ai	8x A100 80GB SXM (Verifizierter Host · SXM4)	640 GB	$3.54 / Std.	$429.98 / 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	8x Instinct MI300X 192GB (Dedizierte Instanz)	1536 GB	$20.72 / Std.	$2519.55 / 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 (744B)

QLoRA (4b) Überschreitet verfügbaren GPU-Speicher

427.19 GiB

Modellgewichte: 420.45 GiB · Gradienten + Optimizer: 5.6 GiB · Act: 1.14 GiB

Empfohlene GPU: 4x H200 141GB SXM (564GB)

LoRA (16b) Überschreitet verfügbaren GPU-Speicher

1396.32 GiB

Modellgewichte: 1386 GiB · Gradienten + Optimizer: 8.8 GiB · Act: 1.52 GiB

Empfohlene GPU: Multi-GPU erforderlich

Voll-FT Überschreitet verfügbaren GPU-Speicher

5685.29 GiB

Modellgewichte: 1386 GiB · Gradienten + Optimizer: 4296.6 GiB · Act: 2.69 GiB

Empfohlene GPU: Multi-GPU erforderlich

Engineering-Diagnose & Optimierungsleitfaden

Schnelles Hardware-Fazit

Eine einzelne Gaudi 3 128GB HBM2e (128GB) reicht für GLM-5 (744B) in 4-Bit (421.71 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 (744B) nutzt Multi-head Latent Attention (MLA) MoE (744B gesamt, 40B aktiv pro Token). Zwischen 8K und 32K Kontext steigt der FP16-KV-Cache von 0.69 GiB auf 2.74 GiB; mit FP8/Q8_0-KV-Quantisierung sparen Sie bei 32K 1.37 GiB (gesamt 422.39 GiB).

VRAM-Skalierung nach Kontextfenster (4K bis 128K, 4-Bit-Gewichte)

Die Modellgewichte bleiben konstant, während der Attention-KV-Cache mit der Kontextlänge wächst.

Quantisierungs-, Speicher- & Durchsatzmatrix — GLM-5 (744B) @ 8K

Quantisierungsformat	Gewichte (GiB)	KV-Cache	Gesamt-VRAM (GiB)	Decode-Tempo	Kompatibilität (Gaudi 3 128GB HBM2e)	Empfohlene GPU	Datenquelle
Native Gewichte (BF16 / FP8 / MXFP4 — Verlustfrei) (FP8)	1386 GiB	0.69 GiB	1387.26 GiB (1489.56 GB)	~0.8 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Offizielle Checkpoint-Größe
FP8 / GGUF Q8_0 (8-Bit — Nahezu Verlustfrei) (Q8_0)	736.21 GiB	0.69 GiB	737.47 GiB (791.85 GB)	~1.5 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
GGUF Q6_K (6-Bit — Hohe Präzision) (Q6_K)	568.18 GiB	0.69 GiB	569.44 GiB (611.43 GB)	~2.1 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
GGUF Q5_K_M (5-Bit — Ausgewogen) (Q5_K_M)	493.02 GiB	0.69 GiB	494.28 GiB (530.73 GB)	~2.5 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
Q4_K_M / UD-Q4_K_XL / AWQ (4-Bit — Empfohlen) (Q4_K_M)	420.45 GiB	0.69 GiB	421.71 GiB (452.81 GB)	~3.1 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
GGUF IQ4_XS (4.25-Bit — Kompakt) (IQ4_XS)	368.38 GiB	0.69 GiB	369.64 GiB (396.9 GB)	~3.8 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
GGUF Q3_K_M (3-Bit — Wenig VRAM) (Q3_K_M)	338.9 GiB	0.69 GiB	340.16 GiB (365.24 GB)	~4.3 tok/s	Überschreitet verfügbaren GPU-Speicher	Multi-GPU erforderlich	Aus config.json abgeleitet
GGUF UD-Q2_K_XL (2-Bit — MoE Extrem) (UD-Q2_K_XL)	238.57 GiB	0.69 GiB	239.83 GiB (257.52 GB)	~7.8 tok/s	Überschreitet verfügbaren GPU-Speicher	Instinct MI355X 288GB (288GB)	Aus config.json abgeleitet

Technische Spezifikationen & Häufige Fragen (FAQ)

Kann die Gaudi 3 128GB HBM2e (128GB) GLM-5 (744B) ausführen?

In 4-Bit (Q4_K_M) bei 8K Kontext benötigt GLM-5 (744B) insgesamt 421.71 GiB VRAM (420.45 GiB Gewichte + 0.69 GiB KV-Cache + 0.57 GiB Puffer) bei 121.6 GiB nutzbarem Speicher auf der Gaudi 3 128GB HBM2e (~3.1 tok/s Decode).

Wie viel VRAM benötigt GLM-5 (744B) bei 32K Kontextlänge?

Bei 32.768 Tokens Kontextfenster belegt der KV-Cache 2.74 GiB, womit der gesamte 4-Bit-VRAM-Bedarf auf 423.76 GiB (455.01 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 (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)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 27B Qwen3.8 2.4T-A95B Qwen3.6 35B-A3B Qwen3.5 397B-A17B Qwen3.5 122B-A10B Qwen3.5 35B-A3B Qwen3.5 27B Qwen3.5 9B Qwen3.5 4B Qwen3 Coder 480B-A35B Qwen3 Coder Next 80B-A3B Qwen3 Coder 30B-A3B Qwen3 30B-A3B Instruct 2507 Qwen3 235B-A22B Instruct 2507 Qwen3 32B Qwen3 14B Qwen3 8B Qwen3 4B Instruct 2507 Qwen3 1.7B Qwen3 0.6B Qwen2.5 72B Instruct Qwen2.5 Coder 32B Instruct QwQ 32B Reasoning DeepSeek V4.1 Flash (552B-A16B)DeepSeek V4 Flash DeepSeek V3.2 (685B)DeepSeek R1-0528 671B DeepSeek V3-0324 671B DeepSeek R1 Distill Llama 70B DeepSeek R1 Distill Qwen 32B DeepSeek R1 Distill Qwen 14B DeepSeek R1 Distill Llama 8B gpt-oss-20b gpt-oss-120b Gemma 4 31B IT Gemma 4 26B-A4B IT Gemma 4 12B IT Gemma 4 E4B IT Gemma 4 E2B IT Gemma 3 27B IT Gemma 3 12B IT Gemma 3 4B IT GLM-5.3 Flash (320B-A18B)GLM-5.3 (753B)GLM-4.5 (355B-A32B)GLM-4.5 Air (110B-A12B)GLM-4 32B-0414 Kimi K3.1 Pro (2.8T-A104B)Kimi K3 (2.8T-A104B)Kimi K2 Instruct (1T-A32B)Kimi-Dev 72B MiniMax 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 Instruct Llama 3.3 70B Instruct Llama 3.1 8B Instruct Llama 3.2 3B Instruct Mistral Large 4 (1T-A52B)Mistral Large 2 123B Mixtral 8x22B Instruct Mixtral 8x7B Instruct Mistral Small 3.2 24B Devstral Small 24B Nemotron 3 Ultra 550B-A55B Nemotron 3 Super 120B-A12B Nemotron 3 Nano 30B-A3B Cohere Command A 111B Phi-4 14B Liquid LFM3 1.7B