GLM-4-9B-0414 — Requisitos de VRAM, matriz de cuantización y guía de GPU
GLM-4-9B-0414 (Zhipu GLM, MIT) es una arquitectura Transformer denso con 9.4B parámetros residentes (9.4B activos por token), 40 capas y Atención de consulta agrupada (GQA) compatible con hasta 32,768 tokens de contexto.
Simulador interactivo de memoria y contexto para GLM-4-9B-0414
Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)
| Precisión / Formato | bpw efectivos | Solo pesos | Total @ ctx 8K | Total @ ctx 32K | Total @ ctx 128K | Nivel recomendado (@ 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 |
Compatibilidad de hardware y velocidad de decodificación (GLM-4-9B-0414 @ Q4_K_M, contexto 32K)
| Nivel de hardware | Memoria y ancho de banda | Requerido (32K) | Veredicto de ajuste | Velocidad est. decodificación |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 7.86 GB (33%) | Cabe con holgura | 83.2 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 7.86 GB (33%) | Cabe con holgura | 89.6 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 7.86 GB (25%) | Cabe con holgura | 159.2 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 7.44 GB (12%) | Cabe con holgura | 45.7 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 7.44 GB (6%) | Cabe con holgura | 45.7 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 7.44 GB (4%) | Cabe con holgura | 66.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 7.86 GB (10%) | Cabe con holgura | 191.8 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 7.86 GB (10%) | Cabe con holgura | 315.2 tok/s |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- THUDM/GLM-4-9B-0414
- Ollama Tag
- glm4:9b
- License / Release
- MIT · 2025-Q2
- Topología y atención
- Transformer denso
- Mecanismo de atención
- Atención de consulta agrupada (GQA)
- Parámetros totales (B)
- 9.4B
- Parámetros activos / token (B)
- 9.4B
- Capas ocultas / Tamaño oculto
- 40 / 4096
- Cabezas de consulta / Cabezas KV
- 32Q / 2KV (d=128)
- Vocab / Max Position
- 151,552 / 32,768
Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.
La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.
Comandos rápidos de vLLM y Ollama para 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 serveComparar modelos hermanos y de escala similar de pesos abiertos
GLM-4-32B-0414
Zhipu GLM · 32B (GQA)
Qwen3-8B
Qwen · 8.2B (GQA)
Llama 3.1 8B Instruct
Meta Llama · 8.03B (GQA)
Gemma 3 12B IT (Multimodal)
Google Gemma · 12.2B (HYBRID_SWA)
Microsoft Phi-4 (14B)
Microsoft Phi · 14.7B (GQA)
Qwen3-14B
Qwen · 14.8B (GQA)