Arrakis / Modèles / GLM-5.3-Flash

Besoins GPU de GLM-5.3-Flash

GLM-5.3-Flash compte 321B paramètres. Pour le servir, prévoyez environ 771 Go de mémoire GPU en 16 bits, 386 Go en 8 bits ou 193 Go en 4 bits, dont environ 20 % pour le cache KV et les activations.

C’est un modèle à mélange d’experts : 288 experts, dont 8 actifs pour chaque token. Tous restent en mémoire GPU : prévoyez la mémoire pour l’ensemble des 321B 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	771 Go : 4 × B300, à partir de 18,40 $ de l’heure pour les 4
8 bits	386 Go : 2 × B300, à partir de 9,20 $ de l’heure pour les 2
4 bits	193 Go : un B300, à partir de 4,60 $ 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	225 Go : un B300, à partir de 4,60 $ par heure de GPU
LoRA	771 Go : 4 × B300, à partir de 18,40 $ de l’heure pour les 4
Fine-tuning complet	5 141 Go : plus d’une machine à 8 GPU

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: 321B
Experts: 288
Experts par token: 8
Fenêtre de contexte (tokens): 1,048,576
Publié en: FP8
Licence: mit
Date de publication: 2026-08-25
Poids: zai-org/GLM-5.3-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-5.3-Flash --tensor-parallel-size 4

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-5.3-Flash a-t-il besoin ?

Pour le servir, environ 771 Go en 16 bits, 386 Go en 8 bits et 193 Go en 4 bits, dont environ 20 % pour le cache KV et les activations. Pour l’affiner, environ 225 Go avec QLoRA, 771 Go avec LoRA et 5 141 Go pour un fine-tuning complet avec Adam, hors activations.

Puis-je faire tourner GLM-5.3-Flash sur un seul GPU ?

Oui, quantifié. En 4 bits, il lui faut environ 193 Go, ce qui tient sur un B300. En 16 bits, il lui faut 4 GPU B300.

Combien coûte l’exécution de GLM-5.3-Flash ?

En 16 bits, il lui faut 4 GPU B300 ; en 4 bits, un B300. 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-5.3-Flash sur Arrakis ?

Ouvrez Models dans la console Arrakis, collez zai-org/GLM-5.3-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.