GLM-5.3-Flash : configuration GPU requise, VRAM et GPU le moins cher
GLM-5.3-Flash compte 321,3 Md paramètres, publiés en FP8. C’est un modèle à mélange d’experts : 8 de ses 288 experts traitent chaque token, soit environ 25,4 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
- 321,3 Md
- Empreinte minimale (INT4)
- environ 187 Go
- GPU le moins cher par heure (FP16)
- 2,39 $US
- Type
- Vision
zai-org/GLM-5.3-Flash
Voir sur Hugging Face (s’ouvre dans un nouvel onglet)Lire notre test
- Paramètres 321,3 Md
- Actifs par token 25,4 Md
- Type Vision
- Tâche image-text-to-text
- Contexte max. 1024K
- Licence mit
- Téléchargements 6,4 M
- J’aime 3,2 k
Calcul pour GLM-5.3-Flash
Plus de réglages
GLM-5.3-Flash demande environ 708 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 643 Go
- Cache KV 0,38 Go
- Surcoût du moteur 65 Go
- Total 708 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 | 5 × MI300X 192GBLa moins chèreCDNA 3 · HBM3 | 2,39 $US | 5vendue avec 8 GPU ; il vous en faut 5 | 19,12 $US | 13 958 $US | RunPod (s’ouvre dans un nouvel onglet)8x MI300X |
| 2 | 6 × H200 141GBHopper · HBM3e | 3,79 $US | 6vendue avec 8 GPU ; il vous en faut 6 | 30,32 $US | 22 134 $US | RunPod (s’ouvre dans un nouvel onglet)8x H200 NVL |
| 3 | 3 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $US | 3vendue avec 4 GPU ; il vous en faut 3 | 35,96 $US | 26 251 $US | RunPod (s’ouvre dans un nouvel onglet)4x B300 |
| 4 | 5 × B200 180GBBlackwell · HBM3e | 7,69 $US | 5vendue avec 8 GPU ; il vous en faut 5 | 61,52 $US | 44 910 $US | Lambda (s’ouvre dans un nouvel onglet)8x HGX B200 |
| Plus de 8 : plusieurs nœuds nécessaires: 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 | ||||||
| Fournisseur | Instance | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) |
|---|---|---|---|---|---|
| RunPod (s’ouvre dans un nouvel onglet)La moins chère | 8x MI300Xus | 2,39 $US | 5 × MI300X 192GB vendue avec 8 GPU ; il vous en faut 5 | environ 19,12 $US | environ 13 958 $US |
| Vultr (s’ouvre dans un nouvel onglet) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | 3,99 $US | 5 × MI300X 192GB vendue avec 8 GPU ; il vous en faut 5 | environ 31,92 $US | environ 23 302 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 8x H200 141GBeu/us | 5,40 $US | 6 × H200 141GB vendue avec 8 GPU ; il vous en faut 6 | environ 43,20 $US | environ 31 536 $US |
| CoreWeave (s’ouvre dans un nouvel onglet) | HGX H200us | 6,31 $US | 6 × H200 141GB vendue avec 8 GPU ; il vous en faut 6 | environ 50,44 $US | environ 36 821 $US |
| Lambda (s’ouvre dans un nouvel onglet) | 8x HGX B200us | 7,69 $US | 5 × B200 180GB vendue avec 8 GPU ; il vous en faut 5 | environ 61,52 $US | environ 44 910 $US |
| AWS (s’ouvre dans un nouvel onglet) | p5en.48xlargeus-east-1 | 7,91 $US | 6 × H200 141GB vendue avec 8 GPU ; il vous en faut 6 | environ 63,30 $US | environ 46 206 $US |
Prix relevés le 13 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 sont mondiales).
Mémoire par précision et par usage
| Précision | Inférence | Fine-tuning LoRA | Fine-tuning QLoRA | Fine-tuning complet |
|---|---|---|---|---|
| FP16 / BF16 | 708 Go | 826 Go | – | 5 661 Go |
| INT8 | 373 Go | – | – | – |
| INT4 | 187 Go | – | 304 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 708 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
5 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 8x MI300X
vendue avec 8 GPU ; il vous en faut 5- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 5
- Total / h
- environ 19,12 $US
- par mois, 24/7, environ
- 13 958 $US
INT8
environ 373 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
3 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 4x MI300X
vendue avec 4 GPU ; il vous en faut 3- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 3
- Total / h
- environ 9,56 $US
- par mois, 24/7, environ
- 6 979 $US
INT4
environ 187 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
5 × A40 48GB
RunPod (s’ouvre dans un nouvel onglet) · 8x A40
vendue avec 8 GPU ; il vous en faut 5- Par GPU / h
- 0,59 $US
- GPU nécessaires
- 5
- Total / h
- environ 4,72 $US
- par mois, 24/7, environ
- 3 446 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
708 Go
5 × MI300X 192GB · environ 19,12 $US
Fine-tuning LoRA
1,2×
de la mémoire nécessaire à l’inférence
826 Go
5 × MI300X 192GB · environ 19,12 $US
Fine-tuning QLoRA
0,4×
de la mémoire nécessaire à l’inférence
304 Go
8 × A40 48GB · environ 4,72 $US
Fine-tuning complet
8×
de la mémoire nécessaire à l’inférence
5 661 Go
plus d’un nœud de 8 GPU
Pour le servir en FP16, 5 × MI300X 192GB (RunPod) suffit. LoRA demande 5 × MI300X 192GB (RunPod), QLoRA 8 × A40 48GB (RunPod) et un fine-tuning complet plus d’un nœud de 8 GPU. 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)
Pas seule. Même en INT4, il demande environ 187 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
Mac avec puce Apple
Oui, avec assez de mémoire. En INT4, il demande environ 187 Go, donc un Mac avec 256 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.
L’héberger vous-même ou payer au token ?
L’héberger vous-même
La configuration FP16 la moins chère que nous ayons trouvée est 5 × MI300X 192GB chez RunPod, environ 13 958 $US par mois en continu. Intéressant pour un trafic régulier ou des données qui doivent rester sur vos machines.
Passer par une API hébergée
Notre test de GLM-5.3-Flash indique où l’utiliser via une API et à quel prix. Payer au token revient souvent moins cher pour un trafic faible ou irrégulier.
Lire notre testModèles similaires
Des modèles ouverts de taille comparable.
- Inkling SmallVision266 Md · environ 588 Go FP16 · 1,1 M ↓Besoins en GPU
- Llama 4 MaverickVision401,6 Md · environ 886 Go FP16 · 12 k ↓Besoins en GPU
- Qwen3.5-397B-A17BVision403,4 Md · environ 889 Go FP16 · 750,1 k ↓Besoins en GPU
- MiniMax-M3Vision427 Md · environ 942 Go FP16 · 137,4 k ↓Besoins en GPU
- MiniMax-M3.1-FlashVision220,5 Md · environ 487 Go FP16 · 61,6 k ↓Besoins en GPU
- Command A+Vision218,8 Md · environ 483 Go FP16 · 4,5 k ↓Besoins en GPU
GLM-5.3-Flash : questions fréquentes
Combien de VRAM faut-il pour GLM-5.3-Flash ?
Environ 708 Go en FP16, 373 Go en INT8 et 187 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-5.3-Flash ?
5 × MI300X 192GB (environ 2,39 $US par GPU / heure; vendue avec 8 GPU ; il vous en faut 5) chez RunPod, pour environ 19,12 $US de l’heure en inférence FP16 / BF16 avec un contexte de 8K. Prix relevés le 13 nov. 2026 ; ils changent souvent.
Peut-on faire le fine-tuning de GLM-5.3-Flash sur un seul GPU ?
Pas sur un seul GPU. Même QLoRA demande environ 304 Go, plus que ce que contient un GPU de 80 Go. LoRA demande environ 826 Go et un fine-tuning complet environ 5 661 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-5.3-Flash fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Pas seule. Même en INT4, il demande environ 187 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
GLM-5.3-Flash tient-il sur une seule H100 80 Go ?
Non. Même en INT4, il demande environ 187 Go : il faut plusieurs GPU.
Combien de GPU faut-il pour GLM-5.3-Flash ?
En FP16 avec un contexte de 8K : 10 × 80 Go, 17 × 48 Go ou 33 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour GLM-5.3-Flash en INT8 ?
Environ 373 Go : 337 Go pour les poids, 0,38 Go pour un cache KV de 8K et 35 Go de surcoût du moteur.
Combien coûte GLM-5.3-Flash en fonctionnement 24/7 pendant un mois ?
Environ 13 958 $US avec la configuration la moins chère que nous avons trouvée (5 × MI300X 192GB (environ 2,39 $US par GPU / heure; vendue avec 8 GPU ; il vous en faut 5), 19,12 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 46 206 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 708 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 187 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
GLM-5.3-Flash fonctionne-t-il sur un Mac ?
Oui, avec assez de mémoire. En INT4, il demande environ 187 Go, donc un Mac avec 256 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 13 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 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.