NVIDIA GeForce RTX 5090 能运行 GLM-4.7-Flash 吗？
本页面由 AI 自动撰写和翻译，并由软件对照来源进行检查，没有人工编辑。规格来自所列来源；显存需求和速度是按已公布的公式计算出的估算值。 我们如何使用 AI
能装下 按 llama.cpp 的默认加载检查，GLM-4.7-Flash 在 NVIDIA GeForce RTX 5090 上以 Q6_K 量化、8,192 token 的上下文长度运行时“能装下”。单张显卡需要 25.7 GiB 可用显存，结果才会是“能装下”。
在 Q6_K 量化下，能装下的最长上下文为 72,448 token。
运行档案： llama.cpp，CUDA 后端（NVIDIA 独立 GPU），所有层都放在 GPU 上，开启 Flash Attention，微批次大小（-ub）为 512，F16 KV 缓存，上下文（-c）如表中所示；“能装下”按 llama-server 默认的 4 个并行序列（-np auto，统一 KV 缓存）判定，“装不下”按 1 个序列判定；GPU 空闲，没有其他程序占用其显存。
计为“能装下”可用的显存（C_low）：每卡 29.25 GiB = 标称 32 GiB − 659 MiB（标称值减去 llama.cpp 在公开日志中为该 GPU 报告的总量）− 2,112 MiB（此运行档案的公开日志中出现的最大启动及运行占用），并向下取整到 64 MiB 的倍数。
这些结果适用于公开日志中出现的配置，其中 llama.cpp 报告这块 GPU 的总显存为 32,109 MiB。会减少可用显存的设置（例如显卡支持时的 ECC）不在考虑范围内。
用于“装不下”的显存（C_high）：每卡全部 32 GiB。 运行档案及其实测数据
按量化和上下文划分的显存需求
| 量化 | 4,096 | 8,192 | 32,768 | 131,072 |
|---|---|---|---|---|
| BF16 | 59.6 GiB 装不下 | 59.9 GiB 装不下 | 61.2 GiB 装不下 | 66.6 GiB 装不下 |
| Q8_0 | 32.4 GiB 临界 | 32.6 GiB 临界 | 34.0 GiB 临界 | 39.4 GiB 装不下 |
| Q6_K | 25.5 GiB 能装下 | 25.7 GiB 能装下 | 27.1 GiB 能装下 | 32.5 GiB 临界 |
| Q5_K_M | 22.3 GiB 能装下 | 22.5 GiB 能装下 | 23.9 GiB 能装下 | 29.3 GiB 临界 |
| Q4_K_M | 19.3 GiB 能装下 | 19.5 GiB 能装下 | 20.9 GiB 能装下 | 26.3 GiB 能装下 |
| Q4_0 | 18.2 GiB 能装下 | 18.5 GiB 能装下 | 19.8 GiB 能装下 | 25.2 GiB 能装下 |
| IQ4_XS | 17.3 GiB 能装下 | 17.5 GiB 能装下 | 18.9 GiB 能装下 | 24.3 GiB 能装下 |
| Q3_K_M | 15.7 GiB 能装下 | 15.9 GiB 能装下 | 17.3 GiB 能装下 | 22.7 GiB 能装下 |
| Q2_K | 12.5 GiB 能装下 | 12.8 GiB 能装下 | 14.1 GiB 能装下 | 19.5 GiB 能装下 |
生成速度能有多快？
在 Q6_K 量化下，理论上限约为每秒 512 个 token（1,792 GB/s ÷ 每个 token 读取 3.50 GB）。
其他选择
其他可以装下 GLM-4.7-Flash 的 32 GB GPU
没有其他相同显存容量的 GPU 能装下此模型。
来源
- 模型页面，含所有量化及其文件： GLM-4.7-Flash
- 显卡页面，含各项规格及其来源： NVIDIA GeForce RTX 5090
- Hugging Face 上的模型文件（固定修订版本）： zai-org/GLM-4.7-Flash@7dd2089, unsloth/GLM-4.7-Flash-GGUF@0d32489
- NVIDIA GeForce RTX 5090 的显存容量来源： Wikipedia: List of Nvidia graphics processing units（CC BY-SA 4.0），GetDeploying GPU Models（CC BY 4.0）
- 方法说明