Arrakis / Modèles / GLM-4.7-Flash

Besoins GPU de GLM-4.7-Flash

GLM-4.7-Flash compte 31B paramètres. Pour le servir, prévoyez environ 75 Go de mémoire GPU en 16 bits, 37 Go en 8 bits ou 19 Go en 4 bits, dont environ 20 % pour le cache KV et les activations.

C’est un modèle à mélange d’experts : 64 experts, dont 4 actifs pour chaque token. Tous restent en mémoire GPU : prévoyez la mémoire pour l’ensemble des 31B paramètres.

Déployer ce modèle Vérifier un autre modèle

Ce qu’il faut pour le servir

La mémoire GPU pour le faire tourner en inférence, avec la plus petite configuration GPU qui le contient et le prix le plus bas sur Arrakis en ce moment.

Précision	Mémoire et plus petite configuration
16 bits	75 Go : un H100 ou A100, la H100 à partir de 1,65 $ par heure de GPU
8 bits	37 Go : un L40S, RTX 6000 Ada ou RTX A6000, la L40S à partir de 0,44 $ par heure de GPU
4 bits	19 Go : un RTX 4090 ou RTX 3090, la RTX 3090 à partir de 0,19 $ par heure de GPU

Ce qu’il faut pour l’affiner

QLoRA entraîne des adaptateurs sur un modèle figé en 4 bits, LoRA sur un modèle en 16 bits, et le fine-tuning complet met à jour tous les poids. Les chiffres s’entendent hors activations, qui augmentent avec la taille des lots et la longueur des séquences.

Méthode	Mémoire et plus petite configuration
QLoRA	22 Go : un RTX 4090 ou RTX 3090, la RTX 3090 à partir de 0,19 $ par heure de GPU
LoRA	75 Go : un H100 ou A100, la H100 à partir de 1,65 $ par heure de GPU
Fine-tuning complet	500 Go : 2 × B300, à partir de 9,20 $ de l’heure pour les 2

À propos du modèle

D’après sa fiche et ses fichiers sur Hugging Face. Les chiffres de mémoire suivent le guide de la mémoire GPU.

Paramètres: 31B
Experts: 64
Experts par token: 4
Fenêtre de contexte (tokens): 202,752
Publié en: BF16
Licence: mit
Date de publication: 2026-01-19
Poids: zai-org/GLM-4.7-Flash

Déployez-le sur Arrakis

Ouvrez Models dans la console, choisissez vLLM, SGLang ou llama.cpp, et louez un GPU sur lequel il tient. Vous obtenez un endpoint compatible OpenAI avec sa propre clé d’API, et un accès SSH root à la machine. Ou faites-le tourner vous-même sur n’importe quelle machine avec assez de mémoire GPU :

vLLM

vllm serve zai-org/GLM-4.7-Flash --tensor-parallel-size 1

Déployer ce modèle Comment fonctionne le déploiement

Questions

Les prix en temps réel de tous les GPU sont sur la page Prix des GPU.

De combien de mémoire GPU GLM-4.7-Flash a-t-il besoin ?

Pour le servir, environ 75 Go en 16 bits, 37 Go en 8 bits et 19 Go en 4 bits, dont environ 20 % pour le cache KV et les activations. Pour l’affiner, environ 22 Go avec QLoRA, 75 Go avec LoRA et 500 Go pour un fine-tuning complet avec Adam, hors activations.

Puis-je faire tourner GLM-4.7-Flash sur un seul GPU ?

Oui. En 16 bits, il lui faut environ 75 Go, ce qui tient sur un H100 ou A100.

Combien coûte l’exécution de GLM-4.7-Flash ?

En 16 bits, il lui faut un H100 ou A100 ; en 4 bits, un RTX 4090 ou RTX 3090. Chaque configuration de cette page affiche le prix le plus bas par heure de GPU sur Arrakis en ce moment, et vous payez à l’heure depuis un solde prépayé.

Comment déployer GLM-4.7-Flash sur Arrakis ?

Ouvrez Models dans la console Arrakis, collez zai-org/GLM-4.7-Flash, choisissez vLLM, SGLang ou llama.cpp, et louez un GPU sur lequel il tient. Vous obtenez un endpoint compatible OpenAI avec sa propre clé d’API, et un accès SSH root à la machine.

Plus de modèles

Tous les modèles, et une vérification pour n’importe quel autre.