GLM-4.7-Flash (30B-A3B) 需要多少显存？
GLM-4.7-Flash (30B-A3B) 共 31.2B 参数（MoE，每 token 激活 3B）。以Q4_K_M (GGUF) 量化在 16K 上下文下运行约需 20.1 GB 显存（权重 17.7 GB + KV 缓存 0.8 GB + 运行时开销），最低可行硬件约为 RTX 3090 / 4090 24GB。以下数字为规划级估算，数据核实于 2026-09-05。
各量化档位显存需求（16K 上下文）
| 量化 | 权重 | 总需求 | 最低可行硬件 |
|---|---|---|---|
| FP16 / BF16 | 58.1 GB | 63.6 GB | A100 / H100 80GB |
| FP8 | 29.1 GB | 32.2 GB | Mac 36GB unified |
| Q8_0 (GGUF) | 30.8 GB | 34.1 GB | A100 40GB |
| Q6_K (GGUF) | 23.8 GB | 26.6 GB | RTX 5090 32GB |
| Q5_K_M (GGUF) | 20.6 GB | 23.1 GB | RTX 5090 32GB |
| MXFP4 | 15.4 GB | 17.7 GB | RTX 3090 / 4090 24GB |
| NVFP4 | 15.4 GB | 17.7 GB | RTX 3090 / 4090 24GB |
| Q4_K_M (GGUF)推荐 | 17.7 GB | 20.1 GB | RTX 3090 / 4090 24GB |
| Q3_K_M (GGUF) | 13.7 GB | 16.0 GB | RTX 3090 / 4090 24GB |
| Q2_K (GGUF) | 10.2 GB | 12.5 GB | RTX 4060 Ti 16GB |
上下文长度对显存的影响（Q4_K_M (GGUF)）
| 上下文 | KV 缓存 | 总需求 |
|---|---|---|
| 4K | 0.2 GB | 19.4 GB |
| 16K | 0.8 GB | 20.1 GB |
| 64K | 3.3 GB | 22.5 GB |
| 128K | 6.6 GB | 25.8 GB |
KV 缓存随上下文线性增长；开启 FP8 KV cache 可再减半（下方计算器可试）。
自定义估算
LLM VRAM Calculator — Can I Run It?
Estimate how much GPU memory (VRAM) you need to run open-weight LLMs like Kimi K3, DeepSeek R1, Qwen3, or Llama locally. Pick a model, quantization, and context length — the calculator adds up weights, KV cache, and runtime overhead, then shows which GPUs or Macs can fit it. Runs entirely in your browser: no upload, no signup.
31.2B total params · 3B active (MoE) · max 198K context
Recommended balance · ~0.61 bytes/param
Estimated memory needed
25.8 GB
Will it fit?
Assumes ~92% of device memory is usable. Multi-GPU counts are for tensor/pipeline parallel serving (vLLM, SGLang); Apple Silicon uses unified memory via llama.cpp or MLX.
FAQ
运行 GLM-4.7-Flash (30B-A3B) 需要多少显存？
以推荐的 Q4_K_M (GGUF) 量化、16K 上下文估算约 20.1 GB：权重 17.7 GB、KV 缓存 0.8 GB，另加运行时开销。上下文越长 KV 缓存越大。
GLM-4.7-Flash (30B-A3B) 最低需要什么硬件？
约为 RTX 3090 / 4090 24GB（按 92% 可用显存估算）。更低配置可尝试更激进的量化（如 Q3/Q2），但质量损失明显。
GLM-4.7-Flash (30B-A3B) 能在 Mac 上跑吗？
可以。在 Q4_K_M (GGUF) 量化、16K 上下文下约需 20.1 GB，最低 Mac 24GB unified 的统一内存即可（经 llama.cpp 或 MLX）。注意 macOS 默认只允许约 2/3~3/4 内存给 GPU，贴近上限时需调高 iogpu.wired_limit_mb 或换更小量化。
GLM-4.7-Flash (30B-A3B) 用什么量化格式最合适？
Q4_K_M 是体积与质量的推荐平衡点；显存充裕可用 Q6_K 或 Q8_0 减少质量损失。