GLM-4-9B-0414 VRAM-Bedarf, GGUF-Größen & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für GLM-4-9B-0414

Gewichtsquantisierung (bpw)

KV-Cache-Präzision

Ziel-GPU / Unified-Memory-Klasse

Geräte (TP)

Kontextlänge (Tokens) 32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Passt komfortabel

Modellgewichte: 67.6% KV: 15.9% Overhead: 16.5%

Gesamter Speicherbedarf

7.86 GB

Belegung pro Gerät: 7.86 GB

Modellgewichte

5.31 GB

KV-Cache (FP16): 1.25 GB

Gesch. Einzelstream-Decode

32.0 tok/s

Runtime- & TP-Overhead: 1.30 GB

Max. Kontext vor OOM

136,404

Tokens

Architekturbedingte KV-Komprimierung spart 93.8 % gegenüber naiver MHA FP16 (20.00 GB).

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Gesamter GPU-Speicherbedarf nach Gewichtspräzision und Kontextlänge (Batch = 1, FP16-KV-Cache)
Präzision / Format	Effektive bpw	Nur Gewichte	Gesamt @ 8K	Gesamt @ 32K	Gesamt @ 128K	Empfohlene Klasse (@ 32K)
FP16 / BF16	16.00 bpw	17.51 GB	19.49 GB	20.42 GB	24.17 GB	RTX 3090 24GB
FP8	8.50 bpw	9.30 GB	11.03 GB	11.97 GB	15.72 GB	RTX 4060 Ti 16GB
Q8_0	8.50 bpw	9.30 GB	11.03 GB	11.97 GB	15.72 GB	RTX 4060 Ti 16GB
Q6_K	6.56 bpw	7.18 GB	8.85 GB	9.78 GB	13.53 GB	RTX 3060 12GB
Q5_K_M	5.69 bpw	6.23 GB	7.87 GB	8.80 GB	12.55 GB	RTX 3060 12GB
Q4_K_M	4.85 bpw	5.31 GB	6.92 GB	7.86 GB	11.61 GB	RTX 3060 12GB
AWQ INT4	4.50 bpw	4.92 GB	6.52 GB	7.46 GB	11.21 GB	RTX 3060 12GB
IQ4_XS	4.25 bpw	4.65 GB	6.24 GB	7.18 GB	10.93 GB	RTX 3060 12GB

Hardware-Kompatibilität & Decode-Geschwindigkeit (GLM-4-9B-0414 @ Q4_K_M, 32K Kontext)

Passstatus, Speicherauslastung und geschätzter Decode-Durchsatz auf führenden GPUs und Apple Silicon
Hardware-Klasse	Speicher & Bandbreite	Benötigt (32K)	Bewertung	Gesch. Decode-Rate
RTX 3090 24GB	24 GB · 936 GB/s	7.86 GB (33%)	Passt komfortabel	83.2 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	7.86 GB (33%)	Passt komfortabel	89.6 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	7.86 GB (25%)	Passt komfortabel	159.2 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	7.44 GB (12%)	Passt komfortabel	45.7 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	7.44 GB (6%)	Passt komfortabel	45.7 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	7.44 GB (4%)	Passt komfortabel	66.9 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	7.86 GB (10%)	Passt komfortabel	191.8 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	7.86 GB (10%)	Passt komfortabel	315.2 tok/s

Geprüfte Transformer-Architekturparameter

Checkpoint ID: THUDM/GLM-4-9B-0414
Ollama Tag: glm4:9b
License / Release: MIT · 2025-Q2
Topologie & Attention: Dichter Transformer
Aufmerksamkeitsmechanismus: Grouped-Query Attention (GQA)
Gesamtparameter (Mrd.): 9.4B
Aktive Parameter / Token (Mrd.): 9.4B
Verborgene Schichten / Hidden-Dimension: 40 / 4096
Query-Heads / KV-Heads: 32Q / 2KV (d=128)
Vocab / Max Position: 151,552 / 32,768

Quantisierte Formate speichern blockweise Skalierungsfaktoren und Nullpunkte neben gepackten Ganzzahlgewichten. Ein 4-Bit-GGUF-Checkpoint in Q4_K_M benötigt im Schnitt 4.85 effektive Bits pro Parameter (nicht 4.00), während Q8_0 bei 8.50 bpw liegt. Bei Mixture-of-Experts-Modellen bleiben sämtliche gerouteten und geteilten Experten im Speicher resident, um Host-Paging bei jedem Token zu verhindern.

Standard-Grouped-Query-Attention reserviert über alle Schichten hinweg 2 × L × H_kv × d_head × S × B × bytes_kv. DeepSeek Multi-head Latent Attention (MLA) komprimiert Keys und Values auf L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv und senkt den Speicherbedarf langer Kontexte um über 90 %. Hybride Sliding-Window-Modelle deckeln lokale Schichten bei min(S, window_size), während globale Schichten linear mit S wachsen.

Schnellstart-Befehle für vLLM & Ollama (GLM-4-9B-0414)

vllm serve THUDM/GLM-4-9B-0414 \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create glm-4-9b-custom -f Modelfile
FROM glm4:9b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

GLM-4-9B-0414 — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für GLM-4-9B-0414

Speicheraufschlüsselung & Bandbreitenlimit

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Hardware-Kompatibilität & Decode-Geschwindigkeit (GLM-4-9B-0414 @ Q4_K_M, 32K Kontext)

Geprüfte Transformer-Architekturparameter

Schnellstart-Befehle für vLLM & Ollama (GLM-4-9B-0414)

Verwandte & ähnlich große Open-Weight-Modelle vergleichen

GLM-4-32B-0414

Qwen3-8B

Llama 3.1 8B Instruct

Gemma 3 12B IT (Multimodal)

Microsoft Phi-4 (14B)

Qwen3-14B