GLM-4-9B-0414 — 必要VRAM・量子化マトリクス & 推奨GPUガイド
GLM-4-9B-0414（Zhipu GLM、MIT）は常駐パラメータ 9.4B（トークンあたり有効 9.4B）、40 層、最大 32,768 コンテキストトークンに対応する グループ化クエリアテンション (GQA) 採用の Dense Transformer（密モデル） アーキテクチャです。
GLM-4-9B-0414 インタラクティブ・メモリ & コンテキストシミュレーター
精度・量子化別 VRAMマトリクス（8K / 32K / 128K コンテキスト）
| 精度 / 形式 | 実効 bpw | 重みのみ | 合計 @ 8K ctx | 合計 @ 32K ctx | 合計 @ 128K ctx | 推奨構成 (@ 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 |
ハードウェア互換性 & デコード速度（GLM-4-9B-0414 @ Q4_K_M, 32K コンテキスト）
| ハードウェア構成 | メモリ & 帯域幅 | 必要量 (32K) | 収容判定 | 推定デコード速度 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 7.86 GB (33%) | 余裕で収容可能 | 83.2 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 7.86 GB (33%) | 余裕で収容可能 | 89.6 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 7.86 GB (25%) | 余裕で収容可能 | 159.2 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 7.44 GB (12%) | 余裕で収容可能 | 45.7 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 7.44 GB (6%) | 余裕で収容可能 | 45.7 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 7.44 GB (4%) | 余裕で収容可能 | 66.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 7.86 GB (10%) | 余裕で収容可能 | 191.8 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 7.86 GB (10%) | 余裕で収容可能 | 315.2 tok/s |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- THUDM/GLM-4-9B-0414
- Ollama Tag
- glm4:9b
- License / Release
- MIT · 2025-Q2
- 構造 & アテンション
- Dense Transformer（密モデル）
- アテンション機構
- グループ化クエリアテンション (GQA)
- 総パラメータ数 (B)
- 9.4B
- 有効パラメータ / Token (B)
- 9.4B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 40 / 4096
- クエリヘッド数 / KVヘッド数
- 32Q / 2KV (d=128)
- Vocab / Max Position
- 151,552 / 32,768
量子化フォーマットはパックされた整数重みに加えてブロック単位のスケール係数とゼロポイントを保持します。4bit GGUF の Q4_K_M はパラメータあたり平均 4.85 実効ビット（4.00ではない）、Q8_0 は平均 8.50 bpw を消費します。Mixture-of-Experts モデルではトークンごとのホストページングを防ぐため、ルーティング対象および共有エキスパートのすべてがメモリ上に常駐します。
標準的な Grouped-Query Attention は全層で 2 × L × H_kv × d_head × S × B × bytes_kv を確保します。DeepSeek Multi-head Latent Attention (MLA) はKeyとValueを L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv へ圧縮し、長文脈メモリを90%以上削減します。ハイブリッド・スライディングウィンドウはローカル層の消費を min(S, window_size) に抑えつつグローバル層のみ S に比例して拡張します。
GLM-4-9B-0414 用 vLLM & Ollama クイック起動コマンド
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同系列・同規模のオープンウェイトモデルを比較
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)