GLM 4.7 Flash 如何本地部署？
GLM 4.7 Flash 是 MoE 模型，总参数 30B，每 token 激活 3B。Q4 量化整机放显存需要 19GB；把专家放进系统内存后只需 4GB 显存 + 17GB 内存。当前最便宜能跑的显卡是 Tesla V100 32GB，约 ¥7,673，预估 142 tokens/s。卸载模式下最便宜能跑的显卡是 Tesla V100 16GB，预估 38 tokens/s。
GLM 4.7 Flash 版本信息
GLM 4.7 Flash 本地部署需要多少显存？
MoE：总参数 30B 全部要驻留显存，速度按每 token 激活的 3B 算。
| 量化 | 权重体积GB | 8K 总显存GB | 32K 总显存GB | 128K 总显存GB |
|---|---|---|---|---|
| 1-bit | 9.8GGUF | 8.5 | 9.7 | 14.7 |
| 2-bit | 11.9GGUF | 12.6 | 13.8 | 18.8 |
| 3-bit | 13.8GGUF | 15.8 | 17 | 22 |
| 4-bit | 18.3GGUF | 18.1 | 19.4 | 24.3 |
| 5-bit | 21.4GGUF | 21.7 | 22.9 | 27.9 |
| 8-bit | 31.8GGUF | 32.5 | 33.7 | 38.7 |
| FP16 | 59.9GGUF | 60.1 | 61.3 | 66.3 |
总显存 = 权重 + KV cache（FP16）+ 1GB 运行开销。标 GGUF 的权重是仓库里的实测文件体积，标「估」的按每参数字节估算。超过这个模型 198K 上下文上限的档位写「—」。各档取仓库里该比特数的任一文件，优先 unsloth 动态量化，所以同一档不同模型对应的文件名可能不同。
什么显卡能跑 GLM 4.7 Flash？
AmazonJP
判定口径：权重 + KV cache + 运行开销 ≤ 可用显存，单卡。MoE 模型标「卸载」表示把专家权重放进系统内存后能跑（显存只放注意力层与 KV cache），速度按内存带宽 70 GB/s 估算。上下文列给的是能装下的最大档位。
GLM 4.7 Flash 混合推理推荐显卡
AmazonJP
专家权重放系统内存，需要 ≥ 17 GB 内存；显存只放注意力层、共享专家和 KV cache，Q4 下最低 4 GB。速度受内存带宽限制（按 70 GB/s 估算），比整机放显存慢得多。
| 设备 | 显存GB | 价 | 需内存GB | 预估 t/s |
|---|---|---|---|---|
 Tesla V100 16GB | 16 | ¥4,432 | 17 | 37.9 |
 Radeon RX 9070 XT | 16 | ¥5,949 | 17 | 36.1 |
| GeForce RTX 5060 Ti 16GB | 16 | ¥6,217 | 17 | 36 |
| GeForce RTX 5070 | 12 | ¥6,428 | 17 | 37.3 |
| Radeon RX 7800 XT | 16 | ¥6,498 | 17 | 36 |
| Radeon RX 6950 XT | 16 | ¥9,442 | 17 | 35.7 |
| GeForce RTX 5070 Ti | 16 | ¥10,600 | 17 | 37.9 |
| GeForce RTX 5080 | 16 | ¥12,560 | 17 | 38.1 |
| GeForce RTX 4080 | 16 | ¥14,710 | 17 | 37.4 |
用 Ollama / llama.cpp / vLLM 本地部署 GLM 4.7 Flash
Ollama 库暂无官方标签。
llama.cpp 直接从 Hugging Face 拉 GGUF，-c 是上下文长度。
llama-server -hf unsloth/GLM-4.7-Flash-GGUF:Q4_K_M -c 8192
vLLM 跑的是原始精度权重，显存要求比 GGUF 高得多，通常要多卡。
vllm serve zai-org/GLM-4.7-Flash
量化文件名以模型库当周抓取为准，口径见数据方法。 数据方法
常见问题
GLM 4.7 Flash 需要多少显存？
在 Q4_K_M 量化、8K 上下文下 GLM 4.7 Flash 约需 19GB 显存，留到 24GB 更稳。
哪张显卡最便宜能跑 GLM 4.7 Flash？
Tesla V100 32GB，32GB 显存，当前中位价约 ¥7,673，预估 142 tokens/s。
GLM 4.7 Flash 能用 Ollama 跑吗？
暂时不能，Ollama 库还没有它的官方标签；可以用 llama.cpp 加载 GGUF。