Guía del modelo
GLM 5.3 (Flash) requisitos de VRAM, compatibilidad GGUF y despliegue local
Si buscas "glm 5.3 vram requirements", probablemente quieres saber si GLM 5.3 (Flash) es viable en tu hardware local. Aquí separamos pesos, caché KV y overhead de runtime para decidir con criterio.
GLM 5.3 (Flash) puede configurarse hasta alrededor de 1,048,576 tokens en ajustes publicados, por lo que la estrategia de contexto importa tanto como la de cuantización.
Estado de verificación: Verificado. Fuentes obtenidas el 2026-10-06.
Calculadora VRAM / RAM
Compara escenarios de VRAM dedicada, memoria unificada de Apple y offload CPU/RAM.
ID de Hugging Face / parámetros personalizados (opcional)
Si el repo no es conocido, se usarán tus valores como estimación.
| Quant | Pesos | KV | Overhead | Total |
|---|---|---|---|---|
| FP16 / BF16 | 596.05 GiB | 22.5 GiB | 37.04 GiB | 655.58 GiB |
| INT8 / Q8_0 | 305.47 GiB | 22.5 GiB | 25.71 GiB | 353.69 GiB |
| Q6_K | 236.56 GiB | 22.5 GiB | 22.57 GiB | 281.62 GiB |
| Q5_K_M | 203.03 GiB | 22.5 GiB | 21.58 GiB | 247.11 GiB |
| Q4_K_M | 171.36 GiB | 22.5 GiB | 21.84 GiB | 215.7 GiB |
| Q3_K_M / Q3 | 130.39 GiB | 22.5 GiB | 19.53 GiB | 172.41 GiB |
| Q2_K / Q2 | 93.13 GiB | 22.5 GiB | 16.18 GiB | 131.81 GiB |
| Hardware | Memoria | Veredicto | tok/s est. |
|---|---|---|---|
| NVIDIA GeForce RTX 4090 24GB | 24 GiB | No compatible | 66.23 |
| NVIDIA GeForce RTX 5090 32GB | 32 GiB | No compatible | 117.74 |
| NVIDIA GeForce RTX 4080 SUPER 16GB | 16 GiB | No compatible | 48.36 |
| NVIDIA GeForce RTX 4070 Ti SUPER 16GB | 16 GiB | No compatible | 44.15 |
| AMD Radeon RX 7900 XTX 24GB | 24 GiB | No compatible | 63.07 |
| NVIDIA A100 80GB PCIe | 80 GiB | No compatible | 127.13 |
| Apple Silicon M3 Max (128GB unified memory) | 128 GiB | No compatible | 22.42 |
| Apple Silicon M2 Ultra (192GB unified memory) | 192 GiB | No compatible | 44.83 |
| 2× NVIDIA GeForce RTX 4090 (aggregate) | 48 GiB | No compatible | 119.18 |
Fórmulas y supuestos
- Weight memory uses resident params × effective_bits / 8 (total params when available, otherwise active/fallback estimate).
- KV cache = 2 × layers × kv_heads × head_dim × kv_bytes × context × batch.
- Runtime overhead includes allocator fragmentation, kernels, and framework buffers.
- Tokens/sec estimate uses active_params for decode bandwidth and should be treated as a rough directional number.
- CPU/RAM offload (for example llama.cpp partial offload with lower GPU layer count) can reduce VRAM needs at the cost of speed.
- When config values are unavailable, fallback defaults are used and flagged as estimated on the page.
GLM 5.3 (Flash) VRAM / RAM por cuantización
Vista base con contexto y batch por defecto del modelo.
| Quant | Pesos | KV | Overhead | Total |
|---|---|---|---|---|
| FP16 / BF16 | 596.05 GiB | 22.5 GiB | 37.04 GiB | 655.58 GiB |
| INT8 / Q8_0 | 305.47 GiB | 22.5 GiB | 25.71 GiB | 353.69 GiB |
| Q6_K | 236.56 GiB | 22.5 GiB | 22.57 GiB | 281.62 GiB |
| Q5_K_M | 203.03 GiB | 22.5 GiB | 21.58 GiB | 247.11 GiB |
| Q4_K_M | 171.36 GiB | 22.5 GiB | 21.84 GiB | 215.7 GiB |
| Q3_K_M / Q3 | 130.39 GiB | 22.5 GiB | 19.53 GiB | 172.41 GiB |
| Q2_K / Q2 | 93.13 GiB | 22.5 GiB | 16.18 GiB | 131.81 GiB |
Qué GPUs y Macs pueden ejecutar GLM 5.3 (Flash)?
Baseline con Q4_K_M y valores por defecto. tok/s es una estimación por ancho de banda.
NVIDIA GeForce RTX 4090 24GB
No compatible (-191.7 GiB)
Estimado 66.23 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
NVIDIA GeForce RTX 5090 32GB
No compatible (-183.7 GiB)
Estimado 117.74 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
NVIDIA GeForce RTX 4080 SUPER 16GB
No compatible (-199.7 GiB)
Estimado 48.36 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
NVIDIA GeForce RTX 4070 Ti SUPER 16GB
No compatible (-199.7 GiB)
Estimado 44.15 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
AMD Radeon RX 7900 XTX 24GB
No compatible (-191.7 GiB)
Estimado 63.07 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
NVIDIA A100 80GB PCIe
No compatible (-135.7 GiB)
Estimado 127.13 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
Apple Silicon M3 Max (128GB unified memory)
No compatible (-87.7 GiB)
Estimado 22.42 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
Apple Silicon M2 Ultra (192GB unified memory)
No compatible (-23.7 GiB)
Estimado 44.83 tokens/s
Cuantización recomendada: q3_k_m
2× NVIDIA GeForce RTX 4090 (aggregate)
No compatible (-167.7 GiB)
Estimado 119.18 tokens/s
Cuantización recomendada: Sin ajuste en cuantizaciones listadas
Dispositivos que cumplen la baseline: ninguno.
Snippets de despliegue para GLM 5.3 (Flash)
llama.cpp
./llama-cli -m ./GLM-5.3-Flash-Q4_K_M.gguf -c 32768 -ngl 99 -p "Summarize this RFC and list implementation risks"
vLLM
vllm serve zai-org/GLM-5.3-Flash --max-model-len 131072 --tensor-parallel-size 4 --gpu-memory-utilization 0.9
Nota de offload CPU/RAM: mover capas a RAM del sistema puede habilitar carga con menos VRAM, pero normalmente reduce rendimiento.
GLM 5.3 (Flash) guía en profundidad
Panorama de VRAM y RAM para GLM 5.3 (Flash)
Quien busca « glm 5.3 vram requirements » suele necesitar una decisión rápida y fiable para correr el modelo en local. Por eso separamos pesos residentes, KV cache y overhead.
En GLM 5.3 (Flash), los campos de arquitectura mandan: capas, KV heads y head_dim. En MoE, la residencia suele seguir total params y el rendimiento por token active params.
Cómo cambia la memoria de GLM 5.3 (Flash) según la cuantización
La cuantización es el ajuste más influyente. Q4_K_M suele ser el punto de partida; Q5/Q6 para más calidad; Q3/Q2 para presupuestos de memoria muy ajustados.
Longitud de contexto, caché KV y crecimiento real de memoria
Al crecer el contexto, el KV cache domina el consumo. En producción, un contexto moderado y estable suele ser mejor que forzar el máximo desde el inicio.
Estrategia de ajuste en VRAM de GPU y memoria unificada de Mac
Para hardware, combina capacidad y ancho de banda: capacidad para “cabe/no cabe”, ancho de banda para experiencia interactiva.
Flujo de despliegue local (Ollama, llama.cpp, vLLM, ComfyUI)
Ollama acelera pruebas, llama.cpp da control fino de offload, vLLM encaja mejor en APIs concurrentes. En imagen/vídeo añade memoria de VAE y resolución.
Solución de OOM y rendimiento inestable
Si aparece OOM, empieza con un perfil mínimo y escala carga gradualmente. El offload CPU/RAM puede ayudar a cargar, con coste de latencia y throughput.
Cómo elegir la configuración de GLM 5.3 (Flash) para uso real
Para el ajuste final, usa tus prompts y objetivos de calidad reales. Un perfil con margen operativo suele ser más fiable que exprimir una configuración al límite.
FAQ: GLM 5.3 (Flash)
¿Cuánta memoria necesita GLM 5.3 (Flash) en la práctica?
Depende de la cuantización, el contexto y el overhead de runtime. Añade un margen de 10–20%.
¿Qué priorizar para GLM 5.3 (Flash): VRAM, memoria unificada u offload CPU/RAM?
Primero asegura residencia estable; luego optimiza rendimiento. El offload ayuda a encajar, pero suele bajar velocidad.
¿Con qué cuantización empezar para GLM 5.3 (Flash)?
Q4_K_M suele ser un punto de partida práctico.
Fuentes de datos y notas de verificación
- Hugging Face model card (obtenido 2026-10-06)
- Hugging Face config (obtenido 2026-10-06)
Model card states 320B total parameters and 18B active parameters.