Arrakis / Modelos / GLM-4.7-Flash

Requisitos de GPU do GLM-4.7-Flash

O GLM-4.7-Flash tem 31B parâmetros. Para servi-lo, conte com cerca de 75 GB de memória de GPU em 16 bits, 37 GB em 8 bits ou 19 GB em 4 bits, incluindo cerca de 20% para o cache KV e as ativações.

É um modelo de mistura de especialistas: 64 especialistas, 4 deles ativos para cada token. Todos ficam na memória da GPU, então conte memória para todos os 31B parâmetros.

Implantar este modelo Verificar outro modelo

O que é preciso para servi-lo

A memória de GPU para rodá-lo em inferência, com a menor configuração de GPU que o comporta e o menor preço na Arrakis agora.

Precisão	Memória e menor configuração
16 bits	75 GB: uma H100 ou A100, a H100 a partir de US$ 2,07 por GPU-hora
8 bits	37 GB: uma L40S, RTX 6000 Ada ou RTX A6000, a L40S a partir de US$ 0,44 por GPU-hora
4 bits	19 GB: uma RTX 4090 ou RTX 3090, a RTX 3090 a partir de US$ 0,19 por GPU-hora

O que é preciso para fazer ajuste fino

O QLoRA treina adaptadores sobre um modelo congelado em 4 bits, o LoRA sobre um em 16 bits, e o ajuste fino completo atualiza todos os pesos. Os valores não incluem as ativações, que crescem com o tamanho do lote e o comprimento da sequência.

Método	Memória e menor configuração
QLoRA	22 GB: uma RTX 4090 ou RTX 3090, a RTX 3090 a partir de US$ 0,19 por GPU-hora
LoRA	75 GB: uma H100 ou A100, a H100 a partir de US$ 2,07 por GPU-hora
Ajuste fino completo	500 GB: 2 × B300, a partir de US$ 9,20 por hora pelas 2

Sobre o modelo

Do cartão e dos arquivos no Hugging Face. Os números de memória seguem o guia de memória de GPU.

Parâmetros: 31B
Especialistas: 64
Especialistas por token: 4
Janela de contexto (tokens): 202,752
Publicado em: BF16
Licença: mit
Data de lançamento: 2026-01-19
Pesos: zai-org/GLM-4.7-Flash

Implante na Arrakis

Abra Models no console, escolha vLLM, SGLang ou llama.cpp e alugue uma GPU em que ele caiba. Você recebe um endpoint compatível com OpenAI com sua própria chave de API, e SSH root na máquina. Ou rode você mesmo em qualquer máquina com memória de GPU suficiente:

vLLM

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

Implantar este modelo Como funciona a implantação

Perguntas

Os preços em tempo real de todas as GPUs estão na página de preços de GPU.

Quanta memória de GPU o GLM-4.7-Flash precisa?

Para servi-lo, cerca de 75 GB em 16 bits, 37 GB em 8 bits e 19 GB em 4 bits, incluindo cerca de 20% para o cache KV e as ativações. Para fazer ajuste fino, cerca de 22 GB com QLoRA, 75 GB com LoRA e 500 GB para ajuste fino completo com Adam, sem contar as ativações.

Posso rodar o GLM-4.7-Flash em uma única GPU?

Sim. Em 16 bits ele precisa de cerca de 75 GB, que cabem em uma H100 ou A100.

Quanto custa rodar o GLM-4.7-Flash?

Em 16 bits ele precisa de uma H100 ou A100; em 4 bits, de uma RTX 4090 ou RTX 3090. Cada configuração desta página mostra o menor preço por GPU-hora na Arrakis agora, e você paga por hora a partir de um saldo pré-pago.

Como implanto o GLM-4.7-Flash na Arrakis?

Abra Models no console da Arrakis, cole zai-org/GLM-4.7-Flash, escolha vLLM, SGLang ou llama.cpp e alugue uma GPU em que ele caiba. Você recebe um endpoint compatível com OpenAI com sua própria chave de API, e SSH root na máquina.

Mais modelos

Todos os modelos, e uma verificação para qualquer outro.