Requisitos de GPU do GLM-5.3-Flash: VRAM e GPU mais barata
GLM-5.3-Flash tem 321,3 bi parâmetros, publicados em FP8. É um modelo de mistura de especialistas: 8 dos seus 288 especialistas trabalham em cada token, cerca de 25,4 bi parâmetros, então ele gera texto mais ou menos na velocidade de um modelo desse tamanho. Ainda assim, todos os especialistas precisam ficar na memória da GPU, por isso os números de memória abaixo são do modelo inteiro. É publicado sob mit, que permite uso comercial.
- Parâmetros
- 321,3 bi
- Menor consumo (INT4)
- cerca de 187 GB
- GPU mais barata por hora (FP16)
- US$ 2,39
- Tipo
- Visão
zai-org/GLM-5.3-Flash
- Parâmetros 321,3 bi
- Ativos por token 25,4 bi
- Tipo Visão
- Tarefa image-text-to-text
- Contexto máximo 1024K
- Licença mit
- Downloads 6,4 mi
- Curtidas 3,2 mil
Cálculo para GLM-5.3-Flash
Mais ajustes
GLM-5.3-Flash precisa de cerca de 708 GB de memória de GPU
Inferência (vLLM), FP16 / BF16, contexto de 8K tokens, uma requisição por vez.
Para onde vai a memória
- Pesos 643 GB
- Cache KV 0,38 GB
- Sobrecarga do runtime 65 GB
- Total 708 GB
A contagem de GPUs deixa 10% de cada placa livre para picos. Reserve mais se espera prompts longos ou muitos usuários ao mesmo tempo.
| Posição | Configuração | Por GPU / h | GPUs necessárias | Total / h | Total / mês (24/7) | Provedor |
|---|---|---|---|---|---|---|
| 1 | 5 × MI300X 192GBMais barataCDNA 3 · HBM3 | US$ 2,39 | 5vendida com 8 GPUs; você precisa de 5 | US$ 19,12 | US$ 13.958 | RunPod (abre em nova aba)8x MI300X |
| 2 | 6 × H200 141GBHopper · HBM3e | US$ 3,79 | 6vendida com 8 GPUs; você precisa de 6 | US$ 30,32 | US$ 22.134 | RunPod (abre em nova aba)8x H200 NVL |
| 3 | 3 × B300 288GBBlackwell Ultra · HBM3e | US$ 8,99 | 3vendida com 4 GPUs; você precisa de 3 | US$ 35,96 | US$ 26.251 | RunPod (abre em nova aba)4x B300 |
| 4 | 5 × B200 180GBBlackwell · HBM3e | US$ 7,69 | 5vendida com 8 GPUs; você precisa de 5 | US$ 61,52 | US$ 44.910 | Lambda (abre em nova aba)8x HGX B200 |
| Mais de 8: precisa de vários nós: 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 | ||||||
| Provedor | Instância | Por GPU / h | GPUs necessárias | Total / h | Total / mês (24/7) |
|---|---|---|---|---|---|
| RunPod (abre em nova aba)Mais barata | 8x MI300Xus | US$ 2,39 | 5 × MI300X 192GB vendida com 8 GPUs; você precisa de 5 | cerca de US$ 19,12 | cerca de US$ 13.958 |
| Vultr (abre em nova aba) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | US$ 3,99 | 5 × MI300X 192GB vendida com 8 GPUs; você precisa de 5 | cerca de US$ 31,92 | cerca de US$ 23.302 |
| Nebius (abre em nova aba) | 8x H200 141GBeu/us | US$ 5,40 | 6 × H200 141GB vendida com 8 GPUs; você precisa de 6 | cerca de US$ 43,20 | cerca de US$ 31.536 |
| CoreWeave (abre em nova aba) | HGX H200us | US$ 6,31 | 6 × H200 141GB vendida com 8 GPUs; você precisa de 6 | cerca de US$ 50,44 | cerca de US$ 36.821 |
| Lambda (abre em nova aba) | 8x HGX B200us | US$ 7,69 | 5 × B200 180GB vendida com 8 GPUs; você precisa de 5 | cerca de US$ 61,52 | cerca de US$ 44.910 |
| AWS (abre em nova aba) | p5en.48xlargeus-east-1 | US$ 7,91 | 6 × H200 141GB vendida com 8 GPUs; você precisa de 6 | cerca de US$ 63,30 | cerca de US$ 46.206 |
Preços coletados em 13 de nov. de 2026. Todos os custos são aproximados: sob demanda, em dólares, principalmente regiões dos EUA (marketplaces como o Vast.ai são globais).
Memória por precisão e uso
| Precisão | Inferência | Ajuste LoRA | Ajuste QLoRA | Ajuste completo |
|---|---|---|---|---|
| FP16 / BF16 | 708 GB | 826 GB | – | 5.661 GB |
| INT8 | 373 GB | – | – | – |
| INT4 | 187 GB | – | 304 GB | – |
A GPU mais barata por precisão
Inferência com contexto de 8K e uma requisição por vez.
FP16 / BF16
cerca de 708 GB · 8K tokens
Os pesos como foram publicados. Sem perda, mas com o maior consumo.
5 × MI300X 192GB
RunPod (abre em nova aba) · 8x MI300X
vendida com 8 GPUs; você precisa de 5- Por GPU / h
- US$ 2,39
- GPUs necessárias
- 5
- Total / h
- cerca de US$ 19,12
- por mês, 24/7, aprox.
- US$ 13.958
INT8
cerca de 373 GB · 8K tokens
Pesos com metade do tamanho. Em chat e RAG quase não se nota diferença.
3 × MI300X 192GB
RunPod (abre em nova aba) · 4x MI300X
vendida com 4 GPUs; você precisa de 3- Por GPU / h
- US$ 2,39
- GPUs necessárias
- 3
- Total / h
- cerca de US$ 9,56
- por mês, 24/7, aprox.
- US$ 6.979
INT4
cerca de 187 GB · 8K tokens
Pesos com um quarto do tamanho. As pequenas perdas aparecem primeiro em matemática e código.
5 × A40 48GB
RunPod (abre em nova aba) · 8x A40
vendida com 8 GPUs; você precisa de 5- Por GPU / h
- US$ 0,59
- GPUs necessárias
- 5
- Total / h
- cerca de US$ 4,72
- por mês, 24/7, aprox.
- US$ 3.446
Inferência ou ajuste fino
Inferência (FP16)
1×
da memória da inferência
708 GB
5 × MI300X 192GB · cerca de US$ 19,12
Ajuste LoRA
1,2×
da memória da inferência
826 GB
5 × MI300X 192GB · cerca de US$ 19,12
Ajuste QLoRA
0,4×
da memória da inferência
304 GB
8 × A40 48GB · cerca de US$ 4,72
Ajuste completo
8×
da memória da inferência
5.661 GB
mais de um nó de 8 GPUs
Para servi-lo em FP16 basta 5 × MI300X 192GB (RunPod). LoRA precisa de 5 × MI300X 192GB (RunPod), QLoRA de 8 × A40 48GB (RunPod) e um ajuste completo de mais de um nó de 8 GPUs. O treino mantém na memória as ativações e o estado do otimizador além dos pesos, por isso costuma pedir mais GPUs do que servir o mesmo modelo.
Roda em um Mac ou em uma única RTX 4090?
RTX 4090 (24 GB)
Sozinha, não. Mesmo em INT4 ele precisa de cerca de 187 GB, mais que os 24 GB da placa. Duas ou mais placas, ou uma GPU de data center maior, resolvem.
Mac com Apple silicon
Sim, com memória suficiente. Em INT4 ele precisa de cerca de 187 GB, então um Mac com 256 GB ou mais de memória unificada (o macOS deixa a GPU usar cerca de três quartos dela). A geração será mais lenta que numa GPU de data center.
Rodar por conta própria ou pagar por token?
Rodar por conta própria
A configuração FP16 mais barata que encontramos é 5 × MI300X 192GB na RunPod, cerca de US$ 13.958 por mês rodando sem parar. Vale a pena com tráfego constante ou quando os dados precisam ficar nas suas máquinas.
Usar uma API hospedada
Nossa análise do GLM-5.3-Flash mostra onde usá-lo por API e quanto custa. Pagar por token costuma sair mais barato com tráfego leve ou irregular.
Leia nossa análiseModelos parecidos
Modelos abertos de tamanho parecido.
- Inkling SmallVisão266 bi · cerca de 588 GB FP16 · 1,1 mi ↓Necessidade de GPU
- Llama 4 MaverickVisão401,6 bi · cerca de 886 GB FP16 · 12 mil ↓Necessidade de GPU
- Qwen3.5-397B-A17BVisão403,4 bi · cerca de 889 GB FP16 · 750,1 mil ↓Necessidade de GPU
- MiniMax-M3Visão427 bi · cerca de 942 GB FP16 · 137,4 mil ↓Necessidade de GPU
- MiniMax-M3.1-FlashVisão220,5 bi · cerca de 487 GB FP16 · 61,6 mil ↓Necessidade de GPU
- Command A+Visão218,8 bi · cerca de 483 GB FP16 · 4,5 mil ↓Necessidade de GPU
GLM-5.3-Flash: perguntas frequentes
Quanta VRAM o GLM-5.3-Flash precisa?
Cerca de 708 GB em FP16, 373 GB em INT8 e 187 GB em INT4, com contexto de 8K e uma requisição por vez. Contextos maiores e mais requisições em paralelo somam cache KV.
Qual é a GPU mais barata para rodar o GLM-5.3-Flash?
5 × MI300X 192GB (cerca de US$ 2,39 por GPU / hora; vendida com 8 GPUs; você precisa de 5) na RunPod, por cerca de US$ 19,12 a hora para inferência em FP16 / BF16 com contexto de 8K. Preços coletados em 13 de nov. de 2026; mudam com frequência.
Dá para fazer ajuste fino do GLM-5.3-Flash em uma única GPU?
Não em uma GPU só. Mesmo o QLoRA precisa de cerca de 304 GB, mais do que cabe numa GPU de 80 GB. LoRA precisa de cerca de 826 GB e um ajuste completo de cerca de 5.661 GB.
Como esses números são calculados?
Os pesos são os parâmetros vezes os bytes por parâmetro (2 em FP16, 1 em INT8, 0,5 em INT4). O cache KV vem das camadas, cabeças KV, tamanho da cabeça e tamanho do contexto do modelo. Somamos cerca de 10% mais 1 GB para o runtime e enchemos cada GPU até 90%. Os preços são de tabela sob demanda em regiões dos EUA, coletados da página pública de cada provedor.
O GLM-5.3-Flash roda em uma GPU de consumo como a RTX 4090?
Sozinha, não. Mesmo em INT4 ele precisa de cerca de 187 GB, mais que os 24 GB da placa. Duas ou mais placas, ou uma GPU de data center maior, resolvem.
O GLM-5.3-Flash cabe em uma única H100 80GB?
Não. Mesmo em INT4 ele precisa de cerca de 187 GB, então são necessárias várias GPUs.
Quantas GPUs preciso para o GLM-5.3-Flash?
Em FP16 com contexto de 8K: 10 × 80 GB, 17 × 48 GB ou 33 × 24 GB. Em INT4 os pesos ocupam cerca de um quarto da memória.
Quanta VRAM o GLM-5.3-Flash precisa em INT8?
Cerca de 373 GB: 337 GB para os pesos, 0,38 GB para um cache KV de 8K e 35 GB de sobrecarga do runtime.
Quanto custa rodar o GLM-5.3-Flash 24/7 por um mês?
Cerca de US$ 13.958 na configuração mais barata que encontramos (5 × MI300X 192GB (cerca de US$ 2,39 por GPU / hora; vendida com 8 GPUs; você precisa de 5), US$ 19,12 a hora por 730 horas). O mais barato na AWS, Google Cloud ou Azure fica em cerca de US$ 46.206 por mês.
FP16, INT8 ou INT4: qual usar?
FP16 mantém a qualidade total e usa mais memória (cerca de 708 GB aqui). INT8 corta os pesos pela metade com pouca perda na maioria dos usos de chat. INT4 (AWQ, GPTQ ou GGUF Q4) reduz para um quarto, cerca de 187 GB no total, com uma pequena queda de qualidade que aparece mais em matemática e código.
O GLM-5.3-Flash roda em um Mac?
Sim, com memória suficiente. Em INT4 ele precisa de cerca de 187 GB, então um Mac com 256 GB ou mais de memória unificada (o macOS deixa a GPU usar cerca de três quartos dela). A geração será mais lenta que numa GPU de data center.
vLLM ou llama.cpp?
O vLLM foi feito para atender muitas requisições ao mesmo tempo em GPUs NVIDIA e AMD e reserva quase toda a memória da GPU para o cache KV. O llama.cpp roda arquivos GGUF em quase tudo, inclusive Macs e CPUs, e serve bem a uma pessoa ou a uma equipe pequena. Na mesma precisão, a memória necessária é parecida.
Preços coletados em 13 de nov. de 2026. Todos os custos são aproximados: sob demanda, em dólares, principalmente regiões dos EUA (marketplaces como o Vast.ai são globais).
Como calculamos
- Pesos. Parâmetros vezes bytes por parâmetro: 2 em FP16, 1 em INT8, 0,5 em INT4, mais cerca de 5% para as escalas de quantização em INT8 e INT4.
- Cache KV. 2 × camadas × cabeças KV × tamanho da cabeça × contexto × requisições × 2 bytes, a partir do config.json do modelo. Quando falta um dado, estimamos e avisamos.
- Sobrecarga. Cerca de 10% mais 1 GB para o runtime, em linha com o que o vLLM reserva.
- Ajuste fino. LoRA mantém pesos em 16 bits e adiciona um adaptador pequeno, seu otimizador e as ativações. QLoRA faz o mesmo sobre pesos de 4 bits. Um ajuste completo precisa de cerca de 16 bytes por parâmetro com Adam em precisão mista (pesos, gradientes e estados do otimizador), mais as ativações.
- GPUs. Enchemos cada GPU até 90% da memória e paramos em 8 por nó. Os custos são preços de tabela sob demanda em regiões dos EUA; nos marketplaces mostramos a oferta mediana.