GLM-4-9B-Chat

在本地运行 GLM-4-9B-Chat

在 Q4_K_M、4K 上下文下，GLM-4-9B-Chat 约需 5.9 GB —— 权重 5.2 GB、KV 缓存 0.16 GB、激活缓冲 0.5 GB。本索引中能宽裕跑它的最小规格是 8 GB 显卡 —— 共 9 张，RTX 4060 起步；76 张卡中有 74 张可以。这些是计算值而非实测值：估算把「宽裕」的界线画在显存的 88%，大致就是桌面环境需要留出的余量。

上下文变长会多花多少

从 4K 提到 32K 约多占 1.09 GB，总量来到 7.1 GB。权重不随上下文变化，只有 KV 缓存会，而且是线性增长 —— 规划长文档场景时要盯的就是这个数字。该模型的原生上下文是 128K；在 Q4_K_M 下把它全部撑满约需 11 GB。

该下载哪个版本

本索引收录了它的 2 种格式 —— GGUF、AWQ —— 共 3 个档位。 其中 Q8_0 的公开困惑度损失最低，为 0.4%。列出的最快档位是 AWQ INT4，在 RTX 4090、batch 1 下约 178 tok/s —— 这是估算值，不是本站硬件上的实测。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行；AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM；EXL2 是 ExLlamaV2 —— 仅限 CUDA，而且已经归档，适合本机使用而不适合提供服务。

常见问题

GLM-4-9B-Chat 需要多少显存？

在 Q4_K_M、4K 上下文、batch 1 下约 5.9 GB，到 32K 时约 7.1 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲，由模型架构计算得出，不是在显卡上实测的。

GLM-4-9B-Chat 能在 8GB 显卡上跑吗？

可以 —— 在 Q4_K_M、4K 上下文下约需 5.9 GB，在 RTX 4060 上还剩 2.1 GB，本索引中 9 张 8 GB 显卡都一样。这是能宽裕跑它的最小规格；76 张中有 74 张可以。

GLM-4-9B-Chat 该用哪个量化档位？

Q8_0 的公开质量损失最低（0.4%），而 Q4_K_M 是多数人实际使用的档位。索引中的 3 个档位是 Q4_K_M、Q8_0、AWQ INT4。