GLM-5.3-Flash の必要VRAM

Z.aiが低コスト推論のために新規学習した小型旗艦(総321B・実働18B)。45層中34層が線形注意で、残り11層だけがKVキャッシュを持つためコンテキストを伸ばしてもメモリが増えにくい。画像入力にも対応。

321.32B / 45層 / GQA 64ヘッド / 既定コンテキスト 8,192 トークン(HuggingFace)

必要VRAM = 重み + KVキャッシュ(既定コンテキスト時) + 1.5GB(OS/表示)。△は量子化を下げるかコンテキストを絞れば動作します。

この表は Q4_K_M を最小の量子化として計算しています。×でも、IQ4_XS のようにさらに小さい量子化なら収まることがあります(品質低下と、使うランタイムの対応状況の確認が要ります)。

🛠 総パラメータは大きいものの、実際に毎回動くのは一部だけのMoEです。llama.cpp の --n-cpu-moe や KTransformers などオフロード対応エンジンを使うと、VRAM に全部載らなくても、大容量のシステムRAMがあれば動く場合があります(速度は実働パラメータ相当。下の必要VRAMは全載せ前提の目安です)。

GLM-5.3-Flashとは

GLM-5.3-Flashは、Z.ai(GLM)が公開するGLM系のデータセンター級(321.32Bパラメータ)オープンモデルです。数百B〜1T規模のフラッグシップで、個人のローカル実行は対象外です(参考収載)。テキストに加えて画像入力に対応するマルチモーダル(VLM)です。

Hugging Faceでの直近30日ダウンロードは約73万件・いいね2,077件 — ダウンロード数は当サイト収録92モデル中39位です(2026-09-06時点。公式リポジトリ分のみで、GGUF再配布版は含みません)。

GLM-5.3-Flashの必要スペックを読み解く

Q4_K_M量子化での内訳は、重み(モデル本体)が約194.8GB、8Kトークン分のKVキャッシュが約0.1GB、システム予約と合わせて合計約196.4GBです。 単一のコンシューマGPUに◎(快適)となるクラスはなく、実行はクラウドGPUが現実的です。 迷ったらQ4_K_M(合計約196.4GB)が基準です。VRAMに余裕があればQ8_0(約343GB)で品質の上積みが狙えます。 Mac(ユニファイドメモリ)での判定は、トップページでチップと搭載メモリを選ぶと計算できます。

MoE構成: 総321.32B・実効18B。メモリは総量321.32B分が必要ですが、生成速度は18B級の軽さです。

MLA(圧縮KVキャッシュ)採用: 8Kトークン時のKVキャッシュは約0.1GB — 標準的なGQA構成なら約6GB相当のところを大幅に圧縮しており、長文でもメモリが伸びにくい設計です。

画像対応(VLM): 画像を入力する際は、テキストのみの目安より使用メモリが増えます。

コンテキスト長とメモリの伸び方

このモデルのKVキャッシュは、2Kトークンで約0GB、8Kで約0.1GB、32Kまで広げると約0.4GBになります。KVキャッシュはコンテキスト長にほぼ比例して増えるため、長文用途ではその分のVRAM余白を見込んでください。

速度の目安(理論上限)

MoEのため速度は実効18B相当(Q4で約10.9GB)で決まり、理論上限はRTX 3060 12GBで約33 tokens/秒、RTX 4090で約92 tokens/秒です(実効はこれ以下)。

動かすには

この規模はコンシューマ環境の外なので、クラウドGPUでの実行が入口になります。 RunPodでの始め方(手順ガイド)

同クラスの選択肢

DeepSeek-V4-Flash(304.18B) / Ornith 1.5 397B(396.8B) / Qwen3.5 397B-A17B(403.4B)

▶ あなたのPCを自動判定する(スペック送信なし・ブラウザ内完結)