GLM-4.7-Flash
30B-A3BZhipu GLM-4.7
智谱 GLM-4.7 系列的轻量款：总参数 30B，每 token 激活约 3B，MIT 许可。注意力采用 MLA，每层每个 token 只缓存一个 576 维的压缩向量，而不是完整的 K 和 V——所以 32K 上下文下缓存不到 2 GB，常规 47 层模型需要的是它的好几倍。llama.cpp 按 DeepSeek-2 类模型运行它。下方体积按 bartowski 的 GGUF 文件计算，各档位的质量损失未公布。
131K
最大上下文
2
量化变体
GGUF Q8_0
最佳质量
—
困惑度增幅（最佳档位）
量化变体对比
各量化级别的显存、质量损失及 RTX 4090 推理速度
实测 = 本站跑过 · 估算 = 本站未跑过：推算所得，或本站未核实的数字 · 社区 = 公开报告
每个体积对应哪个文件
文件大小不等于显存：显存一栏是计算器在 4K 上下文下的总量 —— 权重加 KV 缓存，再加 10% 的激活缓冲。两边的单位是有意不同的：文件大小用十进制 GB，和 Hugging Face 列表一致；显存一栏用 GiB（1024³ 字节），并在权重上多算 2%，所以 7.12 GB 的文件在那一栏里约是 6.8 GiB。仓库若带视觉投影（mmproj），它是另外下载的文件，两个数字都不含它。
- GGUF Q4_K_Mbartowski/zai-org_GLM-4.7-Flash-GGUF · zai-org_GLM-4.7-Flash-Q4_K_M.gguf · 18.47 GB (18,474,983,296 字节) · 2026-11-03 核对
- GGUF Q8_0bartowski/zai-org_GLM-4.7-Flash-GGUF · zai-org_GLM-4.7-Flash-Q8_0.gguf · 31.84 GB (31,842,799,488 字节) · 2026-11-03 核对
相关社区实测
以下报告只代表报告自身的测试条件，其速度不会替代本页估算，也不能证明你的配置能装下。
我们审核过的链接索引尚未收录此模型的报告。你可以浏览社区实测，或在下方分享自己的测试。
在 llamaPerf 浏览更多实测 ↗Seed-OSS 36B Instruct
ByteDance Seed
稠密 36B，原生 512K 上下文。Q4_K_M 文件是 21.8 GB，加上缓存和运行缓冲，4K 下约需 23.9 GB：在 24 GB 显卡上偏紧，那里宽裕的选择是 Q3_K_M（19.5 GB），或者用 2×16GB 拆分。AWQ 版本是 21.1 GB，并不是名字暗示的 4 比特体积。真正的开销是上下文：512K 的 KV cache 单独就约 128GB,所以要先规划上下文再考虑权重。
Qwen3.8 27B
Alibaba Qwen3.8
混合注意力：64 层中只有 16 层保留 KV 缓存，所以这个 27B 模型在 262K 上下文下的缓存约 16GB，而不是 64GB。按常规架构计算会把缓存高估四倍 —— 这里的估算只计入那 16 层，并与 8K、32K、262K 三个已公开实测值吻合。各档位的质量损失官方未公布。
Gemma 4 26B-A4B IT
Google Gemma 4
Google Gemma 4 的混合专家模型：文本部分约 25B 参数，每 token 激活约 4B，256K 上下文，支持图像输入。30 层中只有 5 层的缓存随上下文增长，而且这些层用的是更少、更宽的注意力头，所以缓存很小——32K 下约 0.9 GB，用满 256K 也只要约 5.3 GB。Q4_K_M 下 32K 上下文约 18.8 GB：24 GB 显卡可以从容运行，甚至能加载完整窗口（偏紧，约 23.6 GB）。16 GB 显卡装不下，光 Q4_K_M 文件就有 17.0 GB。视觉编码器是另外一个 1.2 GB 的文件。体积按 bartowski 的 GGUF 文件计算，其 Q4_K_M 折合每参数 5.40 比特，明显高于通用的 4 比特档；Unsloth 的 UD-Q4_K_M 是另一个文件，小 0.09 GB。各档位的质量损失未公布。
Gemma 4 31B IT
Google Gemma 4
Google Gemma 4 的稠密旗舰：约 31B 参数，256K 上下文，支持图像输入。60 层中只有 10 层缓存完整上下文，而且这些层只用 4 个宽 KV 头，所以 128K 上下文只增加约 11 GB 缓存，常规的 60 层结构则要约 120 GB。Q4_K_M 在 4K 下约需 22.1 GB，在 24 GB 显卡上偏紧；Q3_K_M 在 4K 下约 18.3 GB。32 GB 显卡跑 Q4_K_M 的 32K 很从容。Google 还发布了官方的量化感知训练（QAT）Q4_0 版本，单个 17.7 GB 文件：4K 下约 20.1 GB，24 GB 显卡宽裕地跑到 16K。它的视觉编码器是另外一个 1.2 GB 的文件，加载后在 24 GB 上连 4K 都偏紧。其余档位按 bartowski 的 GGUF 文件计算，各档位的质量损失未公布。该仓库另有两个用于推测解码的 MTP 草稿头文件（Q4_0 为 349 MB，Q8_0 为 515 MB），它们不是模型本体，不计入这里的显存。
在本地运行 GLM-4.7-Flash
在 Q4_K_M、4K 上下文下，GLM-4.7-Flash 约需 19.5 GB —— 权重 17.5 GB、KV 缓存 0.21 GB、激活缓冲 1.8 GB。本索引中能宽裕跑它的最小规格是 24 GB 显卡 —— 共 4 张，RTX 3090 起步；78 张卡中有 31 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 1.44 GB，总量来到 21.1 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 27 GB。
该下载哪个版本
本索引只收录了 GLM-4.7-Flash 的 GGUF 格式，共 2 个档位（Q4_K_M、Q8_0）。 该模型没有公开的逐档困惑度数据，因此质量一列留空而不是填估算值 —— 在同一个模型内部，位数越多越忠实是数据唯一支持的排序。本站硬件上没有该模型的吞吐实测数据。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-4.7-Flash 需要多少显存？
- 在 Q4_K_M、4K 上下文、batch 1 下约 19.5 GB，到 32K 时约 21.1 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-4.7-Flash 能在 24GB 显卡上跑吗？
- 可以 —— 在 Q4_K_M、4K 上下文下约需 19.5 GB，在 RTX 3090 上还剩 4.5 GB，本索引中 4 张 24 GB 显卡都一样。这是能宽裕跑它的最小规格；78 张中有 31 张可以。
- GLM-4.7-Flash 该用哪个量化档位？
- 该模型没有公开的质量对比数据，所以按体积来选：Q4_K_M 是多数人使用的档位，bits-per-weight 越高越忠实。索引中的 2 个档位是 Q4_K_M、Q8_0。 注意这是 MoE 模型 —— 尽管每个 token 只激活一部分参数，全部参数仍需驻留显存，因此显存开销按总参数量算，而不是激活参数量。
这个模型能跑在哪
按 Q4_K_M、4K 上下文估算，显存从小到大排列。「从容」指估算占用不超过显存的 88%。
怎么把它跑起来
针对本模型及同类硬件的部署指南。
本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-11-15 RSS → /zh/feed.xml