Requisitos de GPU de GLM-5.3-Flash: VRAM y GPU más barata
GLM-5.3-Flash tiene 321,3 mil M parámetros, publicados en FP8. Es un modelo de mezcla de expertos: 8 de sus 288 expertos trabajan en cada token, unos 25,4 mil M parámetros, así que genera más o menos a la velocidad de un modelo de ese tamaño. Aun así, todos los expertos tienen que estar en la memoria de la GPU, por eso las cifras de memoria de abajo son las del modelo completo. Se publica con licencia mit, que permite el uso comercial.
- Parámetros
- 321,3 mil M
- Mínimo de memoria (INT4)
- unos 187 GB
- GPU más barata por hora (FP16)
- 2,39 US$
- Tipo
- Visión
zai-org/GLM-5.3-Flash
Ver en Hugging Face (se abre en una pestaña nueva)Lee nuestra reseña
- Parámetros 321,3 mil M
- Activos por token 25,4 mil M
- Tipo Visión
- Tarea image-text-to-text
- Contexto máximo 1024K
- Licencia mit
- Descargas 6,4 M
- Me gusta 3,2 mil
Cálculo para GLM-5.3-Flash
Más ajustes
GLM-5.3-Flash necesita unos 708 GB de memoria de GPU
Inferencia (vLLM), FP16 / BF16, contexto de 8K tokens, una petición a la vez.
En qué se va la memoria
- Pesos 643 GB
- Caché KV 0,38 GB
- Sobrecarga del motor 65 GB
- Total 708 GB
El número de GPU deja libre un 10 % de cada tarjeta para picos. Prevé más si esperas prompts largos o muchos usuarios a la vez.
| Puesto | Configuración | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) | Proveedor |
|---|---|---|---|---|---|---|
| 1 | 5 × MI300X 192GBMás barataCDNA 3 · HBM3 | 2,39 US$ | 5se vende con 8 GPU; necesitas 5 | 19,12 US$ | 13.958 US$ | RunPod (se abre en una pestaña nueva)8x MI300X |
| 2 | 6 × H200 141GBHopper · HBM3e | 3,79 US$ | 6se vende con 8 GPU; necesitas 6 | 30,32 US$ | 22.134 US$ | RunPod (se abre en una pestaña nueva)8x H200 NVL |
| 3 | 3 × B300 288GBBlackwell Ultra · HBM3e | 8,99 US$ | 3se vende con 4 GPU; necesitas 3 | 35,96 US$ | 26.251 US$ | RunPod (se abre en una pestaña nueva)4x B300 |
| 4 | 5 × B200 180GBBlackwell · HBM3e | 7,69 US$ | 5se vende con 8 GPU; necesitas 5 | 61,52 US$ | 44.910 US$ | Lambda (se abre en una pestaña nueva)8x HGX B200 |
| Más de 8: hacen falta varios nodos: 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 | ||||||
| Proveedor | Instancia | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) |
|---|---|---|---|---|---|
| RunPod (se abre en una pestaña nueva)Más barata | 8x MI300Xus | 2,39 US$ | 5 × MI300X 192GB se vende con 8 GPU; necesitas 5 | unos 19,12 US$ | unos 13.958 US$ |
| Vultr (se abre en una pestaña nueva) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | 3,99 US$ | 5 × MI300X 192GB se vende con 8 GPU; necesitas 5 | unos 31,92 US$ | unos 23.302 US$ |
| Nebius (se abre en una pestaña nueva) | 8x H200 141GBeu/us | 5,40 US$ | 6 × H200 141GB se vende con 8 GPU; necesitas 6 | unos 43,20 US$ | unos 31.536 US$ |
| CoreWeave (se abre en una pestaña nueva) | HGX H200us | 6,31 US$ | 6 × H200 141GB se vende con 8 GPU; necesitas 6 | unos 50,44 US$ | unos 36.821 US$ |
| Lambda (se abre en una pestaña nueva) | 8x HGX B200us | 7,69 US$ | 5 × B200 180GB se vende con 8 GPU; necesitas 5 | unos 61,52 US$ | unos 44.910 US$ |
| AWS (se abre en una pestaña nueva) | p5en.48xlargeus-east-1 | 7,91 US$ | 6 × H200 141GB se vende con 8 GPU; necesitas 6 | unos 63,30 US$ | unos 46.206 US$ |
Precios recogidos el 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai son mundiales).
Memoria por precisión y uso
| Precisión | Inferencia | Ajuste LoRA | Ajuste QLoRA | Ajuste completo |
|---|---|---|---|---|
| FP16 / BF16 | 708 GB | 826 GB | – | 5661 GB |
| INT8 | 373 GB | – | – | – |
| INT4 | 187 GB | – | 304 GB | – |
La GPU más barata por precisión
Inferencia con contexto de 8K y una petición a la vez.
FP16 / BF16
unos 708 GB · 8K tokens
Los pesos tal como se publican. Sin pérdidas, pero ocupa más.
5 × MI300X 192GB
RunPod (se abre en una pestaña nueva) · 8x MI300X
se vende con 8 GPU; necesitas 5- Por GPU / h
- 2,39 US$
- GPU necesarias
- 5
- Total / h
- unos 19,12 US$
- al mes, 24/7, aprox.
- 13.958 US$
INT8
unos 373 GB · 8K tokens
Pesos a la mitad de tamaño. En chat y RAG apenas se nota.
3 × MI300X 192GB
RunPod (se abre en una pestaña nueva) · 4x MI300X
se vende con 4 GPU; necesitas 3- Por GPU / h
- 2,39 US$
- GPU necesarias
- 3
- Total / h
- unos 9,56 US$
- al mes, 24/7, aprox.
- 6979 US$
INT4
unos 187 GB · 8K tokens
Pesos a una cuarta parte. Las pequeñas pérdidas aparecen antes en matemáticas y código.
5 × A40 48GB
RunPod (se abre en una pestaña nueva) · 8x A40
se vende con 8 GPU; necesitas 5- Por GPU / h
- 0,59 US$
- GPU necesarias
- 5
- Total / h
- unos 4,72 US$
- al mes, 24/7, aprox.
- 3446 US$
Inferencia frente a ajuste fino
Inferencia (FP16)
1×
de la memoria que pide la inferencia
708 GB
5 × MI300X 192GB · unos 19,12 US$
Ajuste LoRA
1,2×
de la memoria que pide la inferencia
826 GB
5 × MI300X 192GB · unos 19,12 US$
Ajuste QLoRA
0,4×
de la memoria que pide la inferencia
304 GB
8 × A40 48GB · unos 4,72 US$
Ajuste completo
8×
de la memoria que pide la inferencia
5661 GB
más de un nodo de 8 GPU
Para servirlo en FP16 basta con 5 × MI300X 192GB (RunPod). LoRA necesita 5 × MI300X 192GB (RunPod), QLoRA 8 × A40 48GB (RunPod) y un ajuste completo más de un nodo de 8 GPU. Entrenar guarda en memoria las activaciones y el estado del optimizador además de los pesos; por eso suele pedir más GPU que servir el mismo modelo.
¿Funciona en un Mac o en una sola RTX 4090?
RTX 4090 (24 GB)
No por sí sola. Incluso en INT4 necesita unos 187 GB, más que los 24 GB de la tarjeta. Bastan dos o más tarjetas o una GPU de centro de datos más grande.
Mac con Apple silicon
Sí, con memoria suficiente. En INT4 necesita unos 187 GB, así que un Mac con 256 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.
¿Ejecutarlo tú o pagar por token?
Ejecutarlo tú
La configuración más barata que encontramos en FP16 es 5 × MI300X 192GB en RunPod, unos 13.958 US$ al mes si funciona sin parar. Compensa con tráfico constante o si los datos deben quedarse en tus máquinas.
Usar una API alojada
Nuestra reseña de GLM-5.3-Flash explica dónde usarlo mediante una API y cuánto cuesta. Pagar por token suele salir más barato con tráfico ligero o irregular.
Lee nuestra reseñaModelos parecidos
Modelos abiertos de tamaño parecido.
- Inkling SmallVisión266 mil M · unos 588 GB FP16 · 1,1 M ↓Necesidades de GPU
- Llama 4 MaverickVisión401,6 mil M · unos 886 GB FP16 · 12 mil ↓Necesidades de GPU
- Qwen3.5-397B-A17BVisión403,4 mil M · unos 889 GB FP16 · 750,1 mil ↓Necesidades de GPU
- MiniMax-M3Visión427 mil M · unos 942 GB FP16 · 137,4 mil ↓Necesidades de GPU
- MiniMax-M3.1-FlashVisión220,5 mil M · unos 487 GB FP16 · 61,6 mil ↓Necesidades de GPU
- Command A+Visión218,8 mil M · unos 483 GB FP16 · 4,5 mil ↓Necesidades de GPU
GLM-5.3-Flash: preguntas frecuentes
¿Cuánta VRAM necesita GLM-5.3-Flash?
Unos 708 GB en FP16, 373 GB en INT8 y 187 GB en INT4, con contexto de 8K y una petición a la vez. Los contextos más largos y más peticiones en paralelo añaden caché KV.
¿Cuál es la GPU más barata para ejecutar GLM-5.3-Flash?
5 × MI300X 192GB (unos 2,39 US$ por GPU / hora; se vende con 8 GPU; necesitas 5) en RunPod, por unos 19,12 US$ la hora para inferencia en FP16 / BF16 con contexto de 8K. Precios recogidos el 13 nov 2026; cambian a menudo.
¿Puedo hacer ajuste fino de GLM-5.3-Flash en una sola GPU?
No en una sola GPU. Incluso QLoRA necesita unos 304 GB, más de lo que cabe en una GPU de 80 GB. LoRA necesita unos 826 GB y un ajuste completo unos 5661 GB.
¿Cómo se calculan estas cifras?
Los pesos son los parámetros por los bytes por parámetro (2 en FP16, 1 en INT8, 0,5 en INT4). La caché KV sale de las capas, las cabezas KV, el tamaño de cabeza y la longitud de contexto del modelo. Añadimos un 10 % más 1 GB para el motor y llenamos cada GPU hasta el 90 %. Los precios son de lista bajo demanda en regiones de EE. UU., tomados de la página pública de cada proveedor.
¿Funciona GLM-5.3-Flash en una GPU de consumo como la RTX 4090?
No por sí sola. Incluso en INT4 necesita unos 187 GB, más que los 24 GB de la tarjeta. Bastan dos o más tarjetas o una GPU de centro de datos más grande.
¿Cabe GLM-5.3-Flash en una sola H100 de 80 GB?
No. Incluso en INT4 necesita unos 187 GB, así que hacen falta varias GPU.
¿Cuántas GPU necesito para GLM-5.3-Flash?
En FP16 con contexto de 8K: 10 × 80 GB, 17 × 48 GB o 33 × 24 GB. En INT4 los pesos ocupan más o menos la cuarta parte.
¿Cuánta VRAM necesita GLM-5.3-Flash en INT8?
Unos 373 GB: 337 GB para los pesos, 0,38 GB para una caché KV de 8K y 35 GB de sobrecarga del motor.
¿Cuánto cuesta tener GLM-5.3-Flash funcionando 24/7 durante un mes?
Unos 13.958 US$ con la configuración más barata que encontramos (5 × MI300X 192GB (unos 2,39 US$ por GPU / hora; se vende con 8 GPU; necesitas 5), 19,12 US$ la hora durante 730 horas). Lo más barato en AWS, Google Cloud o Azure ronda los 46.206 US$ al mes.
FP16, INT8 o INT4: ¿cuál uso?
FP16 conserva toda la calidad y necesita más memoria (unos 708 GB aquí). INT8 reduce los pesos a la mitad con poca pérdida para la mayoría de usos de chat. INT4 (AWQ, GPTQ o GGUF Q4) los deja en una cuarta parte, unos 187 GB en total, con una pequeña pérdida de calidad que se nota sobre todo en matemáticas y código.
¿Funciona GLM-5.3-Flash en un Mac?
Sí, con memoria suficiente. En INT4 necesita unos 187 GB, así que un Mac con 256 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.
¿vLLM o llama.cpp?
vLLM está pensado para servir muchas peticiones a la vez en GPU de NVIDIA y AMD y reserva casi toda la memoria de la GPU para la caché KV. llama.cpp ejecuta archivos GGUF casi en cualquier equipo, incluidos Mac y CPU, y va bien para una persona o un equipo pequeño. Con la misma precisión, la memoria necesaria es parecida.
Precios recogidos el 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai son mundiales).
Cómo calculamos
- Pesos. Parámetros por bytes por parámetro: 2 en FP16, 1 en INT8, 0,5 en INT4, más un 5 % aproximado para las escalas de cuantización en INT8 e INT4.
- Caché KV. 2 × capas × cabezas KV × tamaño de cabeza × contexto × peticiones × 2 bytes, según el config.json del modelo. Si falta un dato, lo estimamos y lo indicamos.
- Sobrecarga. Alrededor de un 10 % más 1 GB para el motor, en línea con lo que reserva vLLM.
- Ajuste fino. LoRA mantiene los pesos en 16 bits y añade un adaptador pequeño, su optimizador y las activaciones. QLoRA hace lo mismo sobre pesos de 4 bits. Un ajuste completo necesita unos 16 bytes por parámetro con Adam en precisión mixta (pesos, gradientes y estados del optimizador), más las activaciones.
- GPU. Llenamos cada GPU hasta el 90 % de su memoria y paramos en 8 por nodo. Los costes son precios de lista bajo demanda en regiones de EE. UU.; en las nubes tipo mercado mostramos la oferta mediana.