GLM-4-9B-0414 — VRAM 요구사항, 양자화 매트릭스 & GPU 가이드
GLM-4-9B-0414(Zhipu GLM, MIT)은 상주 파라미터 9.4B(토큰당 활성 9.4B), 40개 레이어, 최대 32,768 컨텍스트 토큰을 지원하는 그룹 쿼리 어텐션 (GQA) 기반 Dense Transformer (밀집 모델) 아키텍처입니다.
대화형 GLM-4-9B-0414 메모리 & 컨텍스트 시뮬레이터
정밀도 & 양자화별 VRAM 매트릭스 (8K / 32K / 128K 컨텍스트)
| 정밀도 / 포맷 | 유효 bpw | 가중치 단독 | 합계 @ 8K ctx | 합계 @ 32K ctx | 합계 @ 128K ctx | 권장 등급 (@ 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 |
하드웨어 호환성 & 디코딩 속도 (GLM-4-9B-0414 @ Q4_K_M, 32K 컨텍스트)
| 하드웨어 등급 | 메모리 & 대역폭 | 필요량 (32K) | 적재 판정 | 추정 디코딩 속도 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 7.86 GB (33%) | 여유 있게 적재 | 83.2 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 7.86 GB (33%) | 여유 있게 적재 | 89.6 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 7.86 GB (25%) | 여유 있게 적재 | 159.2 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 7.44 GB (12%) | 여유 있게 적재 | 45.7 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 7.44 GB (6%) | 여유 있게 적재 | 45.7 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 7.44 GB (4%) | 여유 있게 적재 | 66.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 7.86 GB (10%) | 여유 있게 적재 | 191.8 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 7.86 GB (10%) | 여유 있게 적재 | 315.2 tok/s |
검증된 Transformer 아키텍처 파라미터
- Checkpoint ID
- THUDM/GLM-4-9B-0414
- Ollama Tag
- glm4:9b
- License / Release
- MIT · 2025-Q2
- 토폴로지 & 어텐션
- Dense Transformer (밀집 모델)
- 어텐션 메커니즘
- 그룹 쿼리 어텐션 (GQA)
- 총 파라미터 (B)
- 9.4B
- 토큰당 활성 파라미터 (B)
- 9.4B
- 은닉 레이어 수 / 은닉 차원 (Hidden Size)
- 40 / 4096
- 쿼리 헤드 수 / KV 헤드 수
- 32Q / 2KV (d=128)
- Vocab / Max Position
- 151,552 / 32,768
양자화 포맷은 패킹된 정수 가중치와 함께 블록별 스케일 계수 및 제로 포인트를 저장합니다. 4비트 GGUF Q4_K_M 체크포인트는 파라미터당 평균 4.85 유효 비트(4.00이 아님)를 사용하며 Q8_0은 평균 8.50 bpw를 소비합니다. Mixture-of-Experts 모델에서는 토큰마다 발생하는 호스트 페이징을 방지하기 위해 모든 라우팅 및 공유 전문가가 메모리에 상주합니다.
표준 Grouped-Query Attention은 전체 레이어에 걸쳐 2 × L × H_kv × d_head × S × B × bytes_kv를 할당합니다. DeepSeek Multi-head Latent Attention (MLA)은 Key와 Value를 L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv로 압축해 장문 컨텍스트 메모리를 90% 이상 절감합니다. 하이브리드 슬라이딩 윈도우 모델은 로컬 어텐션 레이어를 min(S, window_size)로 제한하고 글로벌 레이어만 S에 선형 비례해 확장합니다.
GLM-4-9B-0414용 빠른 시작 vLLM & Ollama 명령어
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 serve동일 계열 및 유사 규모 오픈웨이트 모델 비교
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)