GLM-4-9B-0414 の VRAM・メモリ要件
出典付きの構成と、選択した重みファイルに基づく具体的なチェックポイントです。 GGUF Q4_K_M (Unsloth)：8,192 トークンで約 6.18 GiB–6.69 GiB、シーケンス 1、FP16 KV、llama.cpp。
これは見積もりであり、実機トレースではありません。未確認ファイル由来の重み
動く構成
公開元と出典
- 提供元Zhipu AI
- Hugging Face
zai-org/GLM-4-9B-0414 - Revision
645b8482494e31b6b752272bf7f7f273ef0f3caf - 総パラメータ数9,400,279,040
- 層数40
- クエリヘッド32
- KVヘッド2 (gqa)
- ヘッド次元128
- 記録されているコンテキスト上限32,768
- 完全性complete · full
この見積もりのメモリ内訳
ファイルのバイト、生の KV、エンジンの追加分、合計需要は別々です。ランタイムのトレースではありません。
- Weight artifact
- 5.74 GiB (6,166,574,944 bytes)
- Raw KV cache
- 0.31 GiB (335,544,320 bytes)
- Engine extras / workspace
- 0.13 GiB–0.64 GiB
- Total estimated demand
- 6.18 GiB–6.69 GiB
計上したファイル
| 量子化 | 計上したファイル | バイト | 実行エンジン | 根拠 |
|---|---|---|---|---|
| BF16 safetensors bf16 | model-00001-of-00004.safetensors, model-00002-of-00004.safetensors, model-00003-of-00004.safetensors, model-00004-of-00004.safetensors | 18,800,558,080 (17.51 GiB / 18.80 GB) | vllm, sglang, unspecified | file-metadata |
| GGUF Q4_K_M (Unsloth) gguf-q4_k_m | GLM-4-9B-0414-Q4_K_M.gguf | 6,166,574,944 (5.74 GiB / 6.17 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q5_K_M (Unsloth) gguf-q5_k_m | GLM-4-9B-0414-Q5_K_M.gguf | 7,050,917,728 (6.57 GiB / 7.05 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q6_K (Unsloth) gguf-q6_k | GLM-4-9B-0414-Q6_K.gguf | 8,266,643,296 (7.70 GiB / 8.27 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q8_0 (Unsloth) gguf-q8_0 | GLM-4-9B-0414-Q8_0.gguf | 9,999,611,744 (9.31 GiB / 10.00 GB) | llama.cpp, ollama, unspecified | file-metadata |
| INT4 theoretical | 公開ファイルなし | 4,700,139,520 (理論行はダウンロード可能な成果物ではありません。) | — | theoretical |
量子化とコンテキストごとのメモリ
同時シーケンスは 1 です。KV は既定で FP16 です。範囲には、記載したエンジンの記録済みランタイム分が含まれます。数字は対話式計算機と同じコアです。
| 量子化 | 2,048 tokens | 8,192 tokens | 32,768 tokens |
|---|---|---|---|
| BF16 safetensors | 18.21 GiB–20.09 GiB | 18.45 GiB–20.33 GiB | 19.38 GiB–21.30 GiB |
| GGUF Q4_K_M (Unsloth) | 5.95 GiB–6.44 GiB | 6.18 GiB–6.69 GiB | 7.12 GiB–7.70 GiB |
| GGUF Q5_K_M (Unsloth) | 6.77 GiB–7.28 GiB | 7.00 GiB–7.53 GiB | 7.94 GiB–8.54 GiB |
| GGUF Q6_K (Unsloth) | 7.90 GiB–8.43 GiB | 8.14 GiB–8.69 GiB | 9.07 GiB–9.69 GiB |
| GGUF Q8_0 (Unsloth) | 9.52 GiB–10.08 GiB | 9.75 GiB–10.33 GiB | 10.69 GiB–11.34 GiB |
| INT4 theoretical 理論行はダウンロード可能な成果物ではありません。 | 4.58 GiB–6.30 GiB | 4.81 GiB–6.60 GiB | 5.75 GiB–7.75 GiB |
KV Cache（生データ）
標準の GQA/MHA 生 KV は 2 × 層数 × kvHeads × headDim × トークン数 × シーケンス数 × 要素バイトです。このページは query heads（32）ではなく KV heads（2）を使います。
- 8,192 tokens, 1 sequence, FP16: 335,544,320 bytes (0.3125 GiB)
- 32,768 tokens: 1,342,177,280 bytes (1.2500 GiB)
関連ページ
出典
結果を左右する前提
- 要求コンテキストは記録上のネイティブ窓 32768 トークン以内です。
- 常駐ウェイトの見積もりは総パラメータを使い、非アクティブな MoE エキスパートも含めます。
- ウェイトのバイト数は選んだファイルだけです。リポジトリ内の全量子化を合計しません。
- ダウンロードサイズはピーク GPU メモリではありません。実行時レイアウトと KV は別です。
- 計上したファイル: GLM-4-9B-0414-Q4_K_M.gguf。
- コンテキストはシーケンスあたりのキャッシュトークン数（入力＋生成の予約）です。
- 同時シーケンスは同一のモデル複製を共有し、ウェイトはシーケンス数では増えません。
- KV の型は、変更しない限りウェイト量子化とは独立です。
計算機
公開カタログスナップショットを読み込み中…
検索するかカタログから選ぶと、ローカルLLMの必要VRAMが出ます。
検索するかカタログから選ぶと、ローカルLLMの必要VRAMが出ます。