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 ¥2,600，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？

闲鱼

设备	显存GB	价	预估 t/s	建议上下文
GeForce RTX 2080 Ti 22GB	22	¥2,6003 条挂单	118.4	32K
Instinct MI50 32GB	32	¥2,7254 条挂单	129.1	128K
Tesla V100 32GB	32	¥3,20011 条挂单	142	128K
Radeon RX 7900 XT	20	¥4,29916 条挂单	113.7	32K
Arc Pro B60	24	¥5,27510 条挂单	75	32K
Radeon RX 7900 XTX	24	¥5,80017 条挂单	125.1	32K
GeForce RTX 3090	24	¥8,10015 条挂单	144.4	32K
Arc Pro B70	32	¥9,8506 条挂单	90.9	128K
Radeon AI PRO R9700	32	¥11,0508 条挂单	100.1	128K
CMP 170HX 40GB	40	¥11,3004 条挂单	173.8	128K
Radeon PRO W7800	32	¥12,4003 条挂单	93.9	128K
CMP 170HX 64GB	64	¥14,0508 条挂单	171.4	128K
RTX PRO 4000 Blackwell	24	¥15,65018 条挂单	123.8	32K
Instinct MI210	64	¥18,50012 条挂单	157.7	128K
Radeon PRO W7900	48	¥22,0005 条挂单	118.5	128K
GeForce RTX 4090	24	¥23,50016 条挂单	148.9	32K
GeForce RTX 5090 D V2	24	¥23,90014 条挂单	165.6	32K
RTX PRO 4500 Blackwell	32	¥25,85016 条挂单	141.7	128K
GeForce RTX 4090 48GB	48	¥26,6003 条挂单	148.9	128K
A100 40GB PCIe	40	¥30,9504 条挂单	173.6	128K
Mac Studio M4 Max 128GB	128	¥32,20013 条挂单	96.3	128K
DGX Spark 128GB	128	¥32,50031 条挂单	71.3	128K
GeForce RTX 5090 D	32	¥32,90013 条挂单	180.9	128K
MacBook Pro M4 Max 128GB	128	¥35,4004 条挂单	96.3	128K
Mac Studio M5 Max 128GB	128	¥39,5506 条挂单	103.4	128K
GeForce RTX 5090	32	¥43,80013 条挂单	180.9	128K
RTX PRO 5000 Blackwell 48GB	48	¥46,80015 条挂单	165.6	128K
MacBook Pro M5 Max 128GB	128	¥54,8007 条挂单	103.4	128K
RTX PRO 5000 Blackwell 72GB	72	¥65,00017 条挂单	165.6	128K
RTX PRO 6000D	84	¥68,00017 条挂单	174	128K
RTX PRO 6000 Blackwell	96	¥123,9006 条挂单	180.9	128K
Mac Studio M3 Ultra 512GB	512	¥129,9006 条挂单	121.1	128K
Arc Pro B65	32	—暂无挂单	90.9	128K
GeForce RTX 4080 SUPER 32GB	32	—暂无挂单	129.6	128K
Instinct MI100	32	—暂无挂单	140.5	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

闲鱼

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	¥880	17	37.9
Radeon RX 6950 XT	16	¥2,999	17	35.7
Radeon RX 7800 XT	16	¥3,100	17	36
GeForce RTX 5060 Ti 16GB	16	¥4,688	17	36
Radeon RX 9070 XT	16	¥6,100	17	36.1
GeForce RTX 5070	12	¥6,175	17	37.3
GeForce RTX 4080	16	¥7,750	17	37.4
GeForce RTX 5070 Ti	16	¥9,899	17	37.9
GeForce RTX 5080	16	¥12,450	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 ¥2,600，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。