Arrakis / Modelos / GLM-5.3-Flash

Requisitos de GPU do GLM-5.3-Flash

O GLM-5.3-Flash tem 321B parâmetros. Para servi-lo, conte com cerca de 771 GB de memória de GPU em 16 bits, 386 GB em 8 bits ou 193 GB em 4 bits, incluindo cerca de 20% para o cache KV e as ativações.

É um modelo de mistura de especialistas: 288 especialistas, 8 deles ativos para cada token. Todos ficam na memória da GPU, então conte memória para todos os 321B 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	771 GB: 4 × B300, a partir de US$ 18,40 por hora pelas 4
8 bits	386 GB: 2 × B300, a partir de US$ 9,20 por hora pelas 2
4 bits	193 GB: uma B300, a partir de US$ 4,60 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	225 GB: uma B300, a partir de US$ 4,60 por GPU-hora
LoRA	771 GB: 4 × B300, a partir de US$ 18,40 por hora pelas 4
Ajuste fino completo	5.141 GB: mais de uma máquina de 8 GPUs

Sobre o modelo

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

Parâmetros: 321B
Especialistas: 288
Especialistas por token: 8
Janela de contexto (tokens): 1,048,576
Publicado em: FP8
Licença: mit
Data de lançamento: 2026-08-25
Pesos: zai-org/GLM-5.3-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-5.3-Flash --tensor-parallel-size 4

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-5.3-Flash precisa?

Para servi-lo, cerca de 771 GB em 16 bits, 386 GB em 8 bits e 193 GB em 4 bits, incluindo cerca de 20% para o cache KV e as ativações. Para fazer ajuste fino, cerca de 225 GB com QLoRA, 771 GB com LoRA e 5.141 GB para ajuste fino completo com Adam, sem contar as ativações.

Posso rodar o GLM-5.3-Flash em uma única GPU?

Sim, quantizado. Em 4 bits ele precisa de cerca de 193 GB, que cabem em uma B300. Em 16 bits ele precisa de 4 GPUs B300.

Quanto custa rodar o GLM-5.3-Flash?

Em 16 bits ele precisa de 4 GPUs B300; em 4 bits, de uma B300. 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-5.3-Flash na Arrakis?

Abra Models no console da Arrakis, cole zai-org/GLM-5.3-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.