GLM 4.7 Flash : configuration GPU requise, VRAM et GPU le moins cher
GLM 4.7 Flash compte 31,2 Md paramètres, publiés en BF16. C’est un modèle à mélange d’experts : 4 de ses 64 experts traitent chaque token, soit environ 5,2 Md paramètres, il génère donc à peu près à la vitesse d’un modèle de cette taille. Tous les experts doivent malgré tout résider en mémoire GPU, d’où des chiffres de mémoire ci-dessous pour le modèle complet. Il est publié sous mit, qui autorise l’usage commercial.
- Paramètres
- 31,2 Md
- Empreinte minimale (INT4)
- environ 20 Go
- GPU le moins cher par heure (FP16)
- 0,50 $US
- Type
- Texte
zai-org/GLM-4.7-Flash
- Paramètres 31,2 Md
- Actifs par token 5,2 Md
- Type Texte
- Tâche text-generation
- Contexte max. 198K
- Licence mit
- Téléchargements 1,2 M
- J’aime 1,9 k
Calcul pour GLM 4.7 Flash
Plus de réglages
GLM 4.7 Flash demande environ 70 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 62 Go
- Cache KV 0,44 Go
- Surcoût du moteur 7,3 Go
- Total 70 Go
Le nombre de GPU laisse 10 % de chaque carte libre pour les pics. Prévoyez davantage si vous attendez de longs prompts ou beaucoup d’utilisateurs en même temps.
| Rang | Configuration | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) | Fournisseur |
|---|---|---|---|---|---|---|
| 1 | 1 × RTX PRO 6000 96GBLa moins chèreBlackwell · GDDR7 | 0,50 $US | 1 | 0,50 $US | 365 $US | RunPod (s’ouvre dans un nouvel onglet)1x RTX PRO 6000 MaxQ |
| 2 | 4 × RTX 3090 24GBAmpere · GDDR6X | 0,24 $US | 4 | 0,96 $US | 702 $US | Vast.ai (s’ouvre dans un nouvel onglet)4x RTX 3090 (median of 9 offers) |
| 3 | 1 × A100 80GBAmpere · HBM2e | 1,12 $US | 1 | 1,12 $US | 820 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x A100 SXM4 (median of 16 offers) |
| 4 | 2 × A40 48GBAmpere · GDDR6 | 0,59 $US | 2 | 1,18 $US | 861 $US | RunPod (s’ouvre dans un nouvel onglet)2x A40 |
| 5 | 2 × A100 40GBAmpere · HBM2 | 0,61 $US | 2 | 1,22 $US | 890 $US | Vast.ai (s’ouvre dans un nouvel onglet)2x A100 SXM4 (median of 8 offers) |
| 6 | 2 × RTX A6000 48GBAmpere · GDDR6 | 0,69 $US | 2 | 1,38 $US | 1 007 $US | RunPod (s’ouvre dans un nouvel onglet)2x RTX A6000 |
| 7 | 1 × H100 80GBHopper · HBM3 | 1,39 $US | 1 | 1,39 $US | 1 015 $US | Lium (s’ouvre dans un nouvel onglet)1x H100 80GB HBM3 |
| 8 | 2 × L40S 48GBAda Lovelace · GDDR6 | 0,80 $US | 2 | 1,60 $US | 1 169 $US | Vast.ai (s’ouvre dans un nouvel onglet)2x L40S (median of 6 offers) |
| 9 | 1 × GH200 96GBHopper · HBM3 | 1,99 $US | 1 | 1,99 $US | 1 453 $US | Vultr (s’ouvre dans un nouvel onglet)vbm-72c-480gb-gh200-gpu (bare metal) |
| 10 | 2 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | 1,09 $US | 2 | 2,18 $US | 1 591 $US | RunPod (s’ouvre dans un nouvel onglet)2x RTX 6000 Ada |
| 11 | 4 × RTX 4090 24GBAda Lovelace · GDDR6X | 0,58 $US | 4 | 2,32 $US | 1 696 $US | Vast.ai (s’ouvre dans un nouvel onglet)4x RTX 4090 (median of 12 offers) |
| 12 | 1 × MI300X 192GBCDNA 3 · HBM3 | 2,39 $US | 1 | 2,39 $US | 1 745 $US | RunPod (s’ouvre dans un nouvel onglet)1x MI300X |
| 13 | 4 × L4 24GBAda Lovelace · GDDR6 | 0,69 $US | 4 | 2,76 $US | 2 015 $US | RunPod (s’ouvre dans un nouvel onglet)4x L4 |
| 14 | 1 × H200 141GBHopper · HBM3e | 2,90 $US | 1 | 2,90 $US | 2 117 $US | Lium (s’ouvre dans un nouvel onglet)1x H200 NVL |
| 15 | 1 × H100 NVL 94GBHopper · HBM3 | 3,19 $US | 1 | 3,19 $US | 2 329 $US | RunPod (s’ouvre dans un nouvel onglet)1x H100 NVL |
| 16 | 3 × RTX 5090 32GBBlackwell · GDDR7 | 0,80 $US | 3vendue avec 4 GPU ; il vous en faut 3 | 3,20 $US | 2 338 $US | Vast.ai (s’ouvre dans un nouvel onglet)4x RTX 5090 (median of 35 offers) |
| 17 | 1 × B200 180GBBlackwell · HBM3e | 5,60 $US | 1 | 5,60 $US | 4 088 $US | Lium (s’ouvre dans un nouvel onglet)1x B200 |
| 18 | 4 × A10 24GBAmpere · GDDR6 | 1,42 $US | 4 | 5,67 $US | 4 141 $US | AWS (s’ouvre dans un nouvel onglet)g5.12xlarge |
| 19 | 5 × V100 16GBVolta · HBM2 | 0,79 $US | 5vendue avec 8 GPU ; il vous en faut 5 | 6,32 $US | 4 614 $US | Lambda (s’ouvre dans un nouvel onglet)8x Tesla V100 |
| 20 | 5 × T4 16GBTuring · GDDR6 | 0,98 $US | 5vendue avec 8 GPU ; il vous en faut 5 | 7,82 $US | 5 712 $US | AWS (s’ouvre dans un nouvel onglet)g4dn.metal |
| 21 | 1 × B300 288GBBlackwell Ultra · HBM3e | 8,00 $US | 1 | 8,00 $US | 5 840 $US | Lium (s’ouvre dans un nouvel onglet)1x B300 SXM6 |
| 22 | 1 × GB200 186GBBlackwell · HBM3e | 10,50 $US | 1vendue avec 4 GPU ; il vous en faut 1 | 42,00 $US | 30 660 $US | CoreWeave (s’ouvre dans un nouvel onglet)GB200 NVL72 |
| Fournisseur | Instance | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) |
|---|---|---|---|---|---|
| RunPod (s’ouvre dans un nouvel onglet)La moins chère | 1x RTX PRO 6000 MaxQus | 0,50 $US | 1 × RTX PRO 6000 96GB | environ 0,50 $US | environ 365 $US |
| Vast.ai (s’ouvre dans un nouvel onglet) | 4x RTX 3090 (median of 9 offers)place de marché mondiale | 0,24 $US | 4 × RTX 3090 24GB | environ 0,96 $US | environ 702 $US |
| Lium (s’ouvre dans un nouvel onglet) | 1x RTX PRO 6000 Blackwell Server Editionplace de marché mondiale | 1,19 $US | 1 × RTX PRO 6000 96GB | environ 1,19 $US | environ 869 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 1x RTX PRO 6000 96GBeu/us | 1,80 $US | 1 × RTX PRO 6000 96GB | environ 1,80 $US | environ 1 314 $US |
| Vultr (s’ouvre dans un nouvel onglet) | vbm-72c-480gb-gh200-gpu (bare metal)us | 1,99 $US | 1 × GH200 96GB | environ 1,99 $US | environ 1 453 $US |
| Lambda (s’ouvre dans un nouvel onglet) | 2x A6000us | 1,09 $US | 2 × RTX A6000 48GB | environ 2,18 $US | environ 1 591 $US |
| AWS (s’ouvre dans un nouvel onglet) | g7e.2xlargeus-east-1 | 3,36 $US | 1 × RTX PRO 6000 96GB | environ 3,36 $US | environ 2 455 $US |
| Azure (s’ouvre dans un nouvel onglet) | NC24ads_A100_v4eastus | 3,67 $US | 1 × A100 80GB | environ 3,67 $US | environ 2 681 $US |
| Google Cloud (s’ouvre dans un nouvel onglet) | g2-standard-48us-central1 | 1,00 $US | 4 × L4 24GB | environ 4,00 $US | environ 2 921 $US |
| CoreWeave (s’ouvre dans un nouvel onglet) | GH200us | 6,50 $US | 1 × GH200 96GB | environ 6,50 $US | environ 4 745 $US |
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Mémoire par précision et par usage
| Précision | Inférence | Fine-tuning LoRA | Fine-tuning QLoRA | Fine-tuning complet |
|---|---|---|---|---|
| FP16 / BF16 | 70 Go | 83 Go | – | 553 Go |
| INT8 | 38 Go | – | – | – |
| INT4 | 20 Go | – | 32 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 70 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
1 × RTX PRO 6000 96GB
RunPod (s’ouvre dans un nouvel onglet) · 1x RTX PRO 6000 MaxQ
- Par GPU / h
- 0,50 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,50 $US
- par mois, 24/7, environ
- 365 $US
INT8
environ 38 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
1 × RTX A6000 48GB
Lium (s’ouvre dans un nouvel onglet) · 1x RTX A6000
- Par GPU / h
- 0,42 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,42 $US
- par mois, 24/7, environ
- 307 $US
INT4
environ 20 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
1 × RTX 3090 24GB
Lium (s’ouvre dans un nouvel onglet) · 1x RTX 3090 Ti
- Par GPU / h
- 0,16 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,16 $US
- par mois, 24/7, environ
- 117 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
70 Go
1 × RTX PRO 6000 96GB · environ 0,50 $US
Fine-tuning LoRA
1,2×
de la mémoire nécessaire à l’inférence
83 Go
1 × RTX PRO 6000 96GB · environ 0,50 $US
Fine-tuning QLoRA
0,5×
de la mémoire nécessaire à l’inférence
32 Go
1 × RTX A6000 48GB · environ 0,42 $US
Fine-tuning complet
7,9×
de la mémoire nécessaire à l’inférence
553 Go
4 × MI300X 192GB · environ 9,56 $US
Pour le servir en FP16, 1 × RTX PRO 6000 96GB (RunPod) suffit. LoRA demande 1 × RTX PRO 6000 96GB (RunPod), QLoRA 1 × RTX A6000 48GB (Lium) et un fine-tuning complet 4 × MI300X 192GB (RunPod). L’entraînement garde en mémoire les activations et l’état de l’optimiseur en plus des poids, d’où un besoin fréquent de plus de GPU que pour servir le même modèle.
Fonctionne-t-il sur un Mac ou une seule RTX 4090 ?
RTX 4090 (24 Go)
Oui, en INT4 avec un contexte de 8K : environ 20 Go tiennent dans les 24 Go de la carte.
Mac avec puce Apple
Oui, avec assez de mémoire. En INT4, il demande environ 20 Go, donc un Mac avec 32 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
Modèles similaires
Des modèles ouverts de taille comparable.
- Xing4.0-29B-A4BTexte31,2 Md · environ 70 Go FP16 · 5,8 k ↓Besoins en GPU
- OTel 2.0 LLM 31B IT QLoRATexte31,3 Md · environ 72 Go FP16 · 1,7 M ↓Besoins en GPU
- OTel 2.0 LLM 31B ITTexte31,3 Md · environ 71 Go FP16 · 893,8 k ↓Besoins en GPU
- NVIDIA Nemotron 3 Nano 30B A3B BF16Texte31,6 Md · environ 71 Go FP16 · 1,2 M ↓Besoins en GPU
- NVIDIA Nemotron 3.5 Lightning 30B A3B BF16Texte31,6 Md · environ 71 Go FP16 · 907 k ↓Besoins en GPU
- Qwen3 Coder 30B A3B InstructTexte30,5 Md · environ 69 Go FP16 · 2 M ↓Besoins en GPU
GLM 4.7 Flash : questions fréquentes
Combien de VRAM faut-il pour GLM 4.7 Flash ?
Environ 70 Go en FP16, 38 Go en INT8 et 20 Go en INT4, avec un contexte de 8K et une requête à la fois. Un contexte plus long et davantage de requêtes en parallèle ajoutent du cache KV.
Quel est le GPU le moins cher pour faire tourner GLM 4.7 Flash ?
1 × RTX PRO 6000 96GB (environ 0,50 $US par GPU / heure) chez RunPod, pour environ 0,50 $US de l’heure en inférence FP16 / BF16 avec un contexte de 8K. Prix relevés le 16 nov. 2026 ; ils changent souvent.
Peut-on faire le fine-tuning de GLM 4.7 Flash sur un seul GPU ?
Oui, avec QLoRA : il faut environ 32 Go, ce qui tient sur un GPU de 80 Go. LoRA demande environ 83 Go et un fine-tuning complet environ 553 Go.
Comment ces chiffres sont-ils calculés ?
Les poids correspondent aux paramètres multipliés par les octets par paramètre (2 en FP16, 1 en INT8, 0,5 en INT4). Le cache KV dépend des couches, des têtes KV, de la taille de tête et de la longueur de contexte du modèle. Nous ajoutons environ 10 % plus 1 Go pour le moteur et remplissons chaque GPU à 90 %. Les prix sont les tarifs catalogue à la demande dans les régions des États-Unis, relevés sur la page publique de chaque fournisseur.
GLM 4.7 Flash fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Oui, en INT4 avec un contexte de 8K : environ 20 Go tiennent dans les 24 Go de la carte.
GLM 4.7 Flash tient-il sur une seule H100 80 Go ?
Oui, en FP16 / BF16, INT8, INT4 avec un contexte de 8K.
Combien de GPU faut-il pour GLM 4.7 Flash ?
En FP16 avec un contexte de 8K : 1 × 80 Go, 2 × 48 Go ou 4 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour GLM 4.7 Flash en INT8 ?
Environ 38 Go : 33 Go pour les poids, 0,44 Go pour un cache KV de 8K et 4,3 Go de surcoût du moteur.
Combien coûte GLM 4.7 Flash en fonctionnement 24/7 pendant un mois ?
Environ 365 $US avec la configuration la moins chère que nous avons trouvée (1 × RTX PRO 6000 96GB (environ 0,50 $US par GPU / heure), 0,50 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 2 455 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 70 Go ici). L’INT8 divise les poids par deux avec peu de perte pour la plupart des usages de chat. L’INT4 (AWQ, GPTQ ou GGUF Q4) les réduit au quart, environ 20 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
GLM 4.7 Flash fonctionne-t-il sur un Mac ?
Oui, avec assez de mémoire. En INT4, il demande environ 20 Go, donc un Mac avec 32 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
vLLM ou llama.cpp ?
vLLM est conçu pour servir de nombreuses requêtes à la fois sur des GPU NVIDIA et AMD et réserve l’essentiel de la mémoire GPU au cache KV. llama.cpp lit les fichiers GGUF sur presque tout, Mac et CPU compris, et convient à une personne ou à une petite équipe. À précision égale, la mémoire nécessaire est proche.
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Notre méthode de calcul
- Poids. Paramètres multipliés par les octets par paramètre : 2 en FP16, 1 en INT8, 0,5 en INT4, plus environ 5 % pour les échelles de quantification en INT8 et INT4.
- Cache KV. 2 × couches × têtes KV × taille de tête × contexte × requêtes × 2 octets, d’après le config.json du modèle. Si une valeur manque, nous l’estimons et le signalons.
- Surcoût. Environ 10 % plus 1 Go pour le moteur, dans la ligne de ce que réserve vLLM.
- Fine-tuning. LoRA garde des poids en 16 bits et ajoute un petit adaptateur, son optimiseur et les activations. QLoRA fait de même sur des poids en 4 bits. Un fine-tuning complet demande environ 16 octets par paramètre avec Adam en précision mixte (poids, gradients et états de l’optimiseur), plus les activations.
- GPU. Nous remplissons chaque GPU à 90 % de sa mémoire et nous arrêtons à 8 par nœud. Les coûts sont les prix catalogue à la demande dans les régions des États-Unis ; pour les places de marché, nous montrons l’offre médiane.