GLM 4.7 Flash 如何本地部署？

VRAMGlass 编辑部 · 更新于 2026年9月10日

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 GeForce RTX 2080 Ti 22GB，约 ¥3,706，预估 118.4 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

发布日期2026年1月19日

Hugging Face 仓库zai-org/GLM-4.7-Flash

小版本—

许可证MIT

架构MoE

GGUF 仓库unsloth/GLM-4.7-Flash-GGUF

Ollama 标签—

Q4 最低显存19 GB · Q4_K_M · 8K

专家卸载4 GB 显存 + 17 GB 内存

参数量30B

MoE3B

层数47

隐藏维度2,048

KV 头20

头维度256

上下文上限198K

厂商Z.ai / Zhipu AI

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？

eBay

设备	显存GB	价	预估 t/s	建议上下文
GeForce RTX 2080 Ti 22GB	22	¥3,7063 条挂单	118.4	32K
Radeon RX 7900 XT	20	¥4,70824 条挂单	113.7	32K
Tesla V100 32GB	32	¥4,84223 条挂单	142	128K
Instinct MI50 32GB	32	¥5,1657 条挂单	129.1	128K
Radeon RX 7900 XTX	24	¥6,71925 条挂单	125.1	32K
Instinct MI100	32	¥6,7197 条挂单	140.5	128K
GeForce RTX 3090	24	¥10,42580 条挂单	144.4	32K
RTX PRO 4000 Blackwell	24	¥19,8403 条挂单	123.8	32K
GeForce RTX 4090	24	¥21,51540 条挂单	148.9	32K
Radeon PRO W7900	48	¥23,5063 条挂单	118.5	128K
RTX PRO 4500 Blackwell	32	¥28,9203 条挂单	141.7	128K
A100 40GB PCIe	40	¥32,94813 条挂单	173.6	128K
Instinct MI210	64	¥33,93711 条挂单	157.7	128K
MacBook Pro M4 Max 128GB	128	¥37,3203 条挂单	96.3	128K
GeForce RTX 5090	32	¥43,71612 条挂单	180.9	128K
Mac Studio M4 Max 128GB	128	¥44,0324 条挂单	96.3	128K
MacBook Pro M5 Max 128GB	128	¥48,7605 条挂单	103.4	128K
RTX PRO 6000 Blackwell	96	¥114,2334 条挂单	180.9	128K
Mac Studio M3 Ultra 512GB	512	¥147,96111 条挂单	121.1	128K
Arc Pro B60	24	—暂无挂单	75	32K
GeForce RTX 5090 D V2	24	—暂无挂单	165.6	32K
Arc Pro B65	32	—暂无挂单	90.9	128K
Arc Pro B70	32	—暂无挂单	90.9	128K
GeForce RTX 4080 SUPER 32GB	32	—暂无挂单	129.6	128K
GeForce RTX 5090 D	32	—暂无挂单	180.9	128K
Radeon AI PRO R9700	32	—暂无挂单	100.1	128K
Radeon PRO W7800	32	—暂无挂单	93.9	128K
CMP 170HX 40GB	40	—暂无挂单	173.8	128K
GeForce RTX 4090 48GB	48	—暂无挂单	148.9	128K
RTX PRO 5000 Blackwell 48GB	48	—暂无挂单	165.6	128K
CMP 170HX 64GB	64	—暂无挂单	171.4	128K
RTX PRO 5000 Blackwell 72GB	72	—暂无挂单	165.6	128K
RTX PRO 6000D	84	—暂无挂单	174	128K
DGX Spark 128GB	128	—暂无挂单	71.3	128K
Mac Studio M5 Max 128GB	128	—暂无挂单	103.4	128K
Ryzen AI Max+ 395 128GB	128	—暂无挂单	52.7	128K

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

eBay

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	¥2,051	17	37.9
Radeon RX 6950 XT	16	¥3,363	17	35.7
Radeon RX 7800 XT	16	¥3,820	17	36
GeForce RTX 5060 Ti 16GB	16	¥4,708	17	36
GeForce RTX 5070	12	¥5,212	17	37.3
Radeon RX 9070 XT	16	¥5,347	17	36.1
GeForce RTX 5070 Ti	16	¥8,071	17	37.9
GeForce RTX 4080	16	¥8,494	17	37.4
GeForce RTX 5080	16	¥12,106	17	38.1

用 Ollama / llama.cpp / vLLM 本地部署 GLM 4.7 Flash

Ollama

Ollama 库暂无官方标签。

llama.cpp

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

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？

GeForce RTX 2080 Ti 22GB，22GB 显存，当前中位价约 ¥3,706，预估 118.4 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。