01O que ele sabe fazer
- Contexto nativo de 128k
- MoE ativo eficiente (40B de um total de 744B)
- Multilíngue, com bom desempenho em zh / en
- Licença MIT permissiva
- —Hardware de servidor com múltiplos GPUs obrigatório (432 GB de VRAM Q4)
- —Acesso restrito no Hugging Face
- —Não disponível no Ollama auto-hospedado, exceto via :cloud
04Instalar
Instale Ollama para seu SO. Verifique o modelo e sua quantização antes do download. Comece com 4096 tokens de contexto, depois verifique a alocação com ollama ps. Um comando abaixo não é prova de teste executado na sua máquina.
02Memória necessária
Quantidade aproximada de VRAM da GPU necessária para executar este modelo, incluindo a memória adicional para um contexto de 4k tokens. Para um contexto mais longo, adicione ~1 GB a cada 8k tokens.
Qual hardware usar para GLM 5 744B-A40B?
Para executar GLM 5 744B-A40B localmente com quantização Q4, você precisa de aproximadamente 432 GB de VRAM. Uma opção para comparar: GMKtec EVO-X2 64 GB / 1 TB (Ryzen AI Max+ 395) — este modelo excede a capacidade de GPU deste mini-PC: escolha um modelo menor ou uma infraestrutura adequada.
Por que essa escolha? Nossa ficha completa sobre GMKtec EVO-X2 64 GB / 1 TB (Ryzen AI Max+ 395) →
Links afiliados — comissão possível sem custo adicional para você, recomendação independente. Como Parceiro Amazon, QualLLM obtém lucro com compras que atendem às condições exigidas.
Muito grande para sua máquina? O kit fornece o modelo que cabe na sua VRAM
- Espaço online vitalício
- PDF + arquivos
- Atualizações vitalícias
03Velocidade estimada
Tokens gerados por segundo em Q4_K_M, contexto 4k. Acima de 20 t/s, a leitura é confortável. Abaixo de 10 t/s, é apenas para testar.