GLM 5.3 Flash 如何本地部署？

VRAMGlass 编辑部 · 更新于 2026年9月10日

GLM 5.3 Flash 是 MoE 模型，总参数 320B，每 token 激活 18B。Q4 量化整机放显存需要 202GB；把专家放进系统内存后只需 30GB 显存 + 174GB 内存。能装下它的最便宜设备是 Mac Studio M3 Ultra 512GB，暂无价数据，预估 19.3 tokens/s。卸载模式下最便宜能跑的显卡是 Tesla V100 32GB，预估 8 tokens/s。

GLM 5.3 Flash 版本信息

发布日期2026年8月25日

Hugging Face 仓库zai-org/GLM-5.3-Flash

小版本—

许可证MIT

架构MoE

GGUF 仓库unsloth/GLM-5.3-Flash-GGUF

Ollama 标签—

Q4 最低显存202 GB · Q4_K_M · 8K

专家卸载30 GB 显存 + 174 GB 内存

参数量320B

MoE18B

层数45

隐藏维度4,096

KV 头64

头维度256

上下文上限1M

厂商Z.ai / Zhipu AI

GLM 5.3 Flash 本地部署需要多少显存？

MoE：总参数 320B 全部要驻留显存，速度按每 token 激活的 18B 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	97.6GGUF	98.6	166.1	436.1
2-bit	108.7GGUF	142.4	209.9	479.9
3-bit	147.5GGUF	176.8	244.3	514.3
4-bit	199.7GGUF	201.9	269.4	539.4
5-bit	240.3GGUF	239.4	306.9	576.9
8-bit	341GGUF	355.2	422.7	692.7
FP16	641.6GGUF	649.3	716.8	986.8

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 1M 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 5.3 Flash？

AmazonJP

设备	显存GB	价	预估 t/s	建议上下文
Mac Studio M3 Ultra 512GB	512	—暂无挂单	19.3	32K

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 5.3 Flash 混合推理推荐显卡

AmazonJP

专家权重放系统内存，需要 ≥ 174 GB 内存；显存只放注意力层、共享专家和 KV cache，Q4 下最低 30 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 32GB	32	¥7,673	174	7.7
Arc Pro B70	32	¥13,947	174	6.1
Radeon AI PRO R9700	32	¥15,089	174	6.4
Ryzen AI Max+ 395 128GB	128	¥26,315	174	4.3
GeForce RTX 5090	32	¥50,365	174	8.5
DGX Spark 128GB	128	¥55,304	174	5.2
Arc Pro B65	32	—	174	6.1
GeForce RTX 4080 SUPER 32GB	32	—	174	7.3
GeForce RTX 5090 D	32	—	174	8.5
Instinct MI100	32	—	174	7.6
Instinct MI50 32GB	32	—	174	7.3
Radeon PRO W7800	32	—	174	6.2
RTX PRO 4500 Blackwell	32	—	174	7.6
A100 40GB PCIe	40	—	174	8.4
CMP 170HX 40GB	40	—	174	8.4
GeForce RTX 4090 48GB	48	—	174	7.8
Radeon PRO W7900	48	—	174	7
RTX PRO 5000 Blackwell 48GB	48	—	174	8.2
CMP 170HX 64GB	64	—	174	8.3
Instinct MI210	64	—	174	8
RTX PRO 5000 Blackwell 72GB	72	—	174	8.2
RTX PRO 6000D	84	—	174	8.4
RTX PRO 6000 Blackwell	96	—	174	8.5
Mac Studio M4 Max 128GB	128	—	174	6.3
Mac Studio M5 Max 128GB	128	—	174	6.5
MacBook Pro M4 Max 128GB	128	—	174	6.3
MacBook Pro M5 Max 128GB	128	—	174	6.5

用 Ollama / llama.cpp / vLLM 本地部署 GLM 5.3 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-5.3-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-5.3-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 5.3 Flash 需要多少显存？

在 Q4_K_M 量化、8K 上下文下 GLM 5.3 Flash 约需 202GB 显存，留到 244GB 更稳。

哪张显卡最便宜能跑 GLM 5.3 Flash？

Mac Studio M3 Ultra 512GB，512GB 显存，预估 19.3 tokens/s；这台设备还没有价数据。

GLM 5.3 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。