GLM 5.3 Flash 如何本地部署？
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。当前最便宜能跑的显卡是 Mac Studio M3 Ultra 512GB，约 ¥147,961，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
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？
eBay
| 设备 | 显存GB | 价 | 预估 t/s | 建议上下文 |
|---|---|---|---|---|
| Mac Studio M3 Ultra 512GB | 512 | ¥147,96111 条挂单 | 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
eBay
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 | ¥4,842 | 174 | 7.7 |
 Instinct MI50 32GB | 32 | ¥5,165 | 174 | 7.3 |
| Instinct MI100 | 32 | ¥6,719 | 174 | 7.6 |
| Radeon PRO W7900 | 48 | ¥23,506 | 174 | 7 |
| RTX PRO 4500 Blackwell | 32 | ¥28,920 | 174 | 7.6 |
| A100 40GB PCIe | 40 | ¥32,948 | 174 | 8.4 |
| Instinct MI210 | 64 | ¥33,937 | 174 | 8 |
| MacBook Pro M4 Max 128GB | 128 | ¥37,320 | 174 | 6.3 |
| GeForce RTX 5090 | 32 | ¥43,716 | 174 | 8.5 |
| Mac Studio M4 Max 128GB | 128 | ¥44,032 | 174 | 6.3 |
| MacBook Pro M5 Max 128GB | 128 | ¥48,760 | 174 | 6.5 |
| RTX PRO 6000 Blackwell | 96 | ¥114,233 | 174 | 8.5 |
 Arc Pro B65 | 32 | — | 174 | 6.1 |
| Arc Pro B70 | 32 | — | 174 | 6.1 |
| GeForce RTX 4080 SUPER 32GB | 32 | — | 174 | 7.3 |
| GeForce RTX 5090 D | 32 | — | 174 | 8.5 |
| Radeon AI PRO R9700 | 32 | — | 174 | 6.4 |
| Radeon PRO W7800 | 32 | — | 174 | 6.2 |
| CMP 170HX 40GB | 40 | — | 174 | 8.4 |
| GeForce RTX 4090 48GB | 48 | — | 174 | 7.8 |
| RTX PRO 5000 Blackwell 48GB | 48 | — | 174 | 8.2 |
| CMP 170HX 64GB | 64 | — | 174 | 8.3 |
| RTX PRO 5000 Blackwell 72GB | 72 | — | 174 | 8.2 |
| RTX PRO 6000D | 84 | — | 174 | 8.4 |
| DGX Spark 128GB | 128 | — | 174 | 5.2 |
| Mac Studio M5 Max 128GB | 128 | — | 174 | 6.5 |
| Ryzen AI Max+ 395 128GB | 128 | — | 174 | 4.3 |
用 Ollama / llama.cpp / vLLM 本地部署 GLM 5.3 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-5.3-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-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，当前中位价约 ¥147,961，预估 19.3 tokens/s。
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。