GLM-5.3-Flash GPU-Anforderungen: VRAM und günstigste GPU
GLM-5.3-Flash hat 321,3 Mrd. Parameter, veröffentlicht in FP8. Es ist ein Mixture-of-Experts-Modell: 8 seiner 288 Experten arbeiten an jedem Token, etwa 25,4 Mrd. Parameter, daher erzeugt es Text ungefähr im Tempo eines Modells dieser Größe. Alle Experten müssen trotzdem im GPU-Speicher liegen, deshalb gelten die Speicherwerte unten für das ganze Modell. Es steht unter mit, die kommerzielle Nutzung erlaubt.
- Parameter
- 321,3 Mrd.
- Kleinster Bedarf (INT4)
- etwa 187 GB
- Günstigste GPU pro Stunde (FP16)
- 2,39 $
- Typ
- Vision
zai-org/GLM-5.3-Flash
Auf Hugging Face ansehen (öffnet in neuem Tab)Unseren Test lesen
- Parameter 321,3 Mrd.
- Aktiv pro Token 25,4 Mrd.
- Typ Vision
- Aufgabe image-text-to-text
- Max. Kontext 1024K
- Lizenz mit
- Downloads 6,4 Mio.
- Likes 3152
Berechnung für GLM-5.3-Flash
Weitere Einstellungen
GLM-5.3-Flash braucht etwa 708 GB GPU-Speicher
Inferenz (vLLM), FP16 / BF16, 8K Tokens Kontext, eine Anfrage gleichzeitig.
Wofür der Speicher draufgeht
- Gewichte 643 GB
- KV-Cache 0,38 GB
- Laufzeit-Overhead 65 GB
- Gesamt 708 GB
Die GPU-Zahl lässt 10 % jeder Karte für Spitzen frei. Plane mehr ein, wenn du lange Prompts oder viele gleichzeitige Nutzer erwartest.
| Rang | Konfiguration | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) | Anbieter |
|---|---|---|---|---|---|---|
| 1 | 5 × MI300X 192GBAm günstigstenCDNA 3 · HBM3 | 2,39 $ | 5nur mit 8 GPUs erhältlich; du brauchst 5 | 19,12 $ | 13.958 $ | RunPod (öffnet in neuem Tab)8x MI300X |
| 2 | 6 × H200 141GBHopper · HBM3e | 3,79 $ | 6nur mit 8 GPUs erhältlich; du brauchst 6 | 30,32 $ | 22.134 $ | RunPod (öffnet in neuem Tab)8x H200 NVL |
| 3 | 3 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $ | 3nur mit 4 GPUs erhältlich; du brauchst 3 | 35,96 $ | 26.251 $ | RunPod (öffnet in neuem Tab)4x B300 |
| 4 | 5 × B200 180GBBlackwell · HBM3e | 7,69 $ | 5nur mit 8 GPUs erhältlich; du brauchst 5 | 61,52 $ | 44.910 $ | Lambda (öffnet in neuem Tab)8x HGX B200 |
| Mehr als 8: mehrere Knoten nötig: GH200 96GB, H100 NVL 94GB, RTX PRO 6000 96GB, H100 80GB, A100 80GB, L40S 48GB, RTX 6000 Ada 48GB, RTX A6000 48GB, A40 48GB, A100 40GB, RTX 5090 32GB, RTX 4090 24GB, RTX 3090 24GB, L4 24GB, A10 24GB, T4 16GB, V100 16GB | ||||||
| Anbieter | Instanz | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) |
|---|---|---|---|---|---|
| RunPod (öffnet in neuem Tab)Am günstigsten | 8x MI300Xus | 2,39 $ | 5 × MI300X 192GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 19,12 $ | etwa 13.958 $ |
| Vultr (öffnet in neuem Tab) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | 3,99 $ | 5 × MI300X 192GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 31,92 $ | etwa 23.302 $ |
| Nebius (öffnet in neuem Tab) | 8x H200 141GBeu/us | 5,40 $ | 6 × H200 141GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 43,20 $ | etwa 31.536 $ |
| CoreWeave (öffnet in neuem Tab) | HGX H200us | 6,31 $ | 6 × H200 141GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 50,44 $ | etwa 36.821 $ |
| Lambda (öffnet in neuem Tab) | 8x HGX B200us | 7,69 $ | 5 × B200 180GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 61,52 $ | etwa 44.910 $ |
| AWS (öffnet in neuem Tab) | p5en.48xlargeus-east-1 | 7,91 $ | 6 × H200 141GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 63,30 $ | etwa 46.206 $ |
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
Speicher nach Genauigkeit und Einsatz
| Genauigkeit | Inferenz | LoRA-Feintuning | QLoRA-Feintuning | Volles Feintuning |
|---|---|---|---|---|
| FP16 / BF16 | 708 GB | 826 GB | – | 5.661 GB |
| INT8 | 373 GB | – | – | – |
| INT4 | 187 GB | – | 304 GB | – |
Günstigste GPU nach Genauigkeit
Inferenz mit 8K Kontext und einer Anfrage gleichzeitig.
FP16 / BF16
etwa 708 GB · 8K Tokens
Die Gewichte wie veröffentlicht. Kein Verlust, aber der größte Bedarf.
5 × MI300X 192GB
RunPod (öffnet in neuem Tab) · 8x MI300X
nur mit 8 GPUs erhältlich; du brauchst 5- Pro GPU / Std.
- 2,39 $
- Benötigte GPUs
- 5
- Gesamt / Std.
- etwa 19,12 $
- pro Monat, 24/7, ca.
- 13.958 $
INT8
etwa 373 GB · 8K Tokens
Gewichte in halber Größe. Bei Chat und RAG meist kein sichtbarer Unterschied.
3 × MI300X 192GB
RunPod (öffnet in neuem Tab) · 4x MI300X
nur mit 4 GPUs erhältlich; du brauchst 3- Pro GPU / Std.
- 2,39 $
- Benötigte GPUs
- 3
- Gesamt / Std.
- etwa 9,56 $
- pro Monat, 24/7, ca.
- 6.979 $
INT4
etwa 187 GB · 8K Tokens
Gewichte auf ein Viertel verkleinert. Kleine Verluste zeigen sich zuerst bei Mathematik und Code.
5 × A40 48GB
RunPod (öffnet in neuem Tab) · 8x A40
nur mit 8 GPUs erhältlich; du brauchst 5- Pro GPU / Std.
- 0,59 $
- Benötigte GPUs
- 5
- Gesamt / Std.
- etwa 4,72 $
- pro Monat, 24/7, ca.
- 3.446 $
Inferenz oder Feintuning
Inferenz (FP16)
1×
des Speichers für Inferenz
708 GB
5 × MI300X 192GB · etwa 19,12 $
LoRA-Feintuning
1,2×
des Speichers für Inferenz
826 GB
5 × MI300X 192GB · etwa 19,12 $
QLoRA-Feintuning
0,4×
des Speichers für Inferenz
304 GB
8 × A40 48GB · etwa 4,72 $
Volles Feintuning
8×
des Speichers für Inferenz
5.661 GB
mehr als einen Knoten mit 8 GPUs
Für den Betrieb in FP16 reicht 5 × MI300X 192GB (RunPod). LoRA braucht 5 × MI300X 192GB (RunPod), QLoRA 8 × A40 48GB (RunPod) und volles Feintuning mehr als einen Knoten mit 8 GPUs. Training hält neben den Gewichten auch Aktivierungen und Optimiererzustände im Speicher und braucht deshalb oft mehr GPUs als der Betrieb desselben Modells.
Läuft es auf einem Mac oder einer einzelnen RTX 4090?
RTX 4090 (24 GB)
Allein nicht. Selbst bei INT4 braucht es etwa 187 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.
Mac mit Apple Silicon
Ja, mit genug Speicher. Bei INT4 braucht es etwa 187 GB, also einen Mac mit 256 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
Selbst betreiben oder pro Token zahlen?
Selbst betreiben
Die günstigste Konfiguration in FP16, die wir gefunden haben, ist 5 × MI300X 192GB bei RunPod, etwa 13.958 $ im Monat im Dauerbetrieb. Lohnt sich bei gleichmäßigem Verkehr oder wenn die Daten auf eigenen Rechnern bleiben müssen.
Eine gehostete API nutzen
Unser Test von GLM-5.3-Flash zeigt, wo du es per API nutzen kannst und was das kostet. Bei wenig oder schwankendem Verkehr ist Zahlen pro Token meist günstiger.
Unseren Test lesenÄhnliche Modelle
Offene Modelle ähnlicher Größe.
- Inkling SmallVision266 Mrd. · etwa 588 GB FP16 · 1,1 Mio. ↓GPU-Bedarf
- Llama 4 MaverickVision401,6 Mrd. · etwa 886 GB FP16 · 12.042 ↓GPU-Bedarf
- Qwen3.5-397B-A17BVision403,4 Mrd. · etwa 889 GB FP16 · 750.145 ↓GPU-Bedarf
- MiniMax-M3Vision427 Mrd. · etwa 942 GB FP16 · 137.392 ↓GPU-Bedarf
- MiniMax-M3.1-FlashVision220,5 Mrd. · etwa 487 GB FP16 · 61.559 ↓GPU-Bedarf
- Command A+Vision218,8 Mrd. · etwa 483 GB FP16 · 4453 ↓GPU-Bedarf
GLM-5.3-Flash: häufige Fragen
Wie viel VRAM braucht GLM-5.3-Flash?
Etwa 708 GB bei FP16, 373 GB bei INT8 und 187 GB bei INT4, mit 8K Kontext und einer Anfrage gleichzeitig. Längerer Kontext und mehr parallele Anfragen kommen als KV-Cache hinzu.
Was ist die günstigste GPU für GLM-5.3-Flash?
5 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 8 GPUs erhältlich; du brauchst 5) bei RunPod, für etwa 19,12 $ pro Stunde bei Inferenz in FP16 / BF16 mit 8K Kontext. Preise erfasst am 13. Nov. 2026; sie ändern sich oft.
Kann ich GLM-5.3-Flash auf einer einzelnen GPU feintunen?
Nicht auf einer GPU. Selbst QLoRA braucht etwa 304 GB, mehr als eine 80-GB-GPU fasst. LoRA braucht etwa 826 GB, volles Feintuning etwa 5.661 GB.
Wie werden diese Zahlen berechnet?
Die Gewichte sind Parameter mal Bytes pro Parameter (2 bei FP16, 1 bei INT8, 0,5 bei INT4). Der KV-Cache ergibt sich aus Schichten, KV-Köpfen, Kopfgröße und Kontextlänge des Modells. Wir rechnen etwa 10 % plus 1 GB für die Laufzeit dazu und füllen jede GPU bis 90 %. Die Preise sind On-Demand-Listenpreise in US-Regionen, von den öffentlichen Preisseiten der Anbieter.
Läuft GLM-5.3-Flash auf einer Consumer-GPU wie der RTX 4090?
Allein nicht. Selbst bei INT4 braucht es etwa 187 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.
Passt GLM-5.3-Flash auf eine einzelne H100 80GB?
Nein. Selbst bei INT4 braucht es etwa 187 GB, du brauchst also mehrere GPUs.
Wie viele GPUs brauche ich für GLM-5.3-Flash?
Bei FP16 mit 8K Kontext: 10 × 80 GB, 17 × 48 GB oder 33 × 24 GB. Bei INT4 brauchen die Gewichte etwa ein Viertel des Speichers.
Wie viel VRAM braucht GLM-5.3-Flash bei INT8?
Etwa 373 GB: 337 GB für die Gewichte, 0,38 GB für einen KV-Cache mit 8K und 35 GB Laufzeit-Overhead.
Was kostet es, GLM-5.3-Flash einen Monat lang rund um die Uhr zu betreiben?
Etwa 13.958 $ mit der günstigsten Konfiguration, die wir gefunden haben (5 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 8 GPUs erhältlich; du brauchst 5), 19,12 $ pro Stunde für 730 Stunden). Am günstigsten bei AWS, Google Cloud oder Azure sind es etwa 46.206 $ im Monat.
FP16, INT8 oder INT4: was soll ich nehmen?
FP16 behält die volle Qualität und braucht den meisten Speicher (hier etwa 708 GB). INT8 halbiert die Gewichte mit wenig Verlust für die meisten Chat-Aufgaben. INT4 (AWQ, GPTQ oder GGUF Q4) verkleinert sie auf ein Viertel, insgesamt etwa 187 GB, mit einem kleinen Qualitätsverlust, der sich vor allem bei Mathematik und Code zeigt.
Läuft GLM-5.3-Flash auf einem Mac?
Ja, mit genug Speicher. Bei INT4 braucht es etwa 187 GB, also einen Mac mit 256 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
vLLM oder llama.cpp?
vLLM ist dafür gebaut, viele Anfragen gleichzeitig auf NVIDIA- und AMD-GPUs zu bedienen, und reserviert den Großteil des GPU-Speichers für den KV-Cache. llama.cpp läuft mit GGUF-Dateien auf fast allem, auch auf Macs und CPUs, und passt für eine Person oder ein kleines Team. Bei gleicher Genauigkeit ist der Speicherbedarf ähnlich.
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
So rechnen wir
- Gewichte. Parameter mal Bytes pro Parameter: 2 bei FP16, 1 bei INT8, 0,5 bei INT4, plus etwa 5 % für die Quantisierungsskalen bei INT8 und INT4.
- KV-Cache. 2 × Schichten × KV-Köpfe × Kopfgröße × Kontext × Anfragen × 2 Bytes, aus der config.json des Modells. Fehlt eine Angabe, schätzen wir sie und weisen darauf hin.
- Overhead. Etwa 10 % plus 1 GB für die Laufzeit, in etwa das, was vLLM reserviert.
- Feintuning. LoRA behält 16-Bit-Gewichte und ergänzt einen kleinen Adapter, dessen Optimierer und die Aktivierungen. QLoRA macht dasselbe auf 4-Bit-Gewichten. Volles Feintuning braucht mit Adam in gemischter Genauigkeit etwa 16 Bytes pro Parameter (Gewichte, Gradienten und Optimiererzustände), plus Aktivierungen.
- GPUs. Wir füllen jede GPU bis 90 % ihres Speichers und hören bei 8 pro Knoten auf. Die Kosten sind On-Demand-Listenpreise in US-Regionen; bei Marktplatz-Clouds zeigen wir das mittlere Angebot.