GLM-5.3
关于 GLM-5.3 的完整介绍（点开看；上面就是结论表）
智谱 2026-08-14 发布的开源旗舰（HF: zai-org/GLM-5.3，许可 GLM-5.3 License——自定义许可，非 MIT，以仓库 LICENSE 为准）。与 GLM-5.2 同基座，能力提升全来自后训练：官方自测编程 +50%，Terminal-Bench 3.0 等高难度 Agent 基准开源第一梯队。参数口径已核（多源一致 A 级）：HF 模型卡标 753B 总参数、NVIDIA GLM-5.3-NVFP4 卡与 Artificial Analysis / Modal 均一致 **753B 总 / 40B 激活**（知乎「754B」为约数、「7000 亿」为误传，本站以 HF 卡 753B 为准）。架构（NVIDIA 卡 + HF transformers GlmMoeDsa 文档核到）：78 层 MoE、256 路由专家 + 1 共享、每 token 激活 8、**MLA 多潜注意力 + DSA 深稀疏注意力**、原生 1M ctx（config max_position_embeddings）。本站无 arch_detail 六字段（MLA + DSA 压缩注意力套不进标准「层数×KV头×头维」GQA 常数，硬填就是编，同 DeepSeek-V4.1-Flash 先例），KV 已按 config + transformers 源码复算：78 层 MLA latent（512 latent + 64 解耦 rope）×2B + 21 个 full-indexer 层的 indexer 键缓存（128 维 ×2B；另 57 层 indexer_types=shared 复用上一层的 top-k、不建 indexer 缓存）+ 1 个 MTP 层 latent（保守计入）= 96,384 B/token → 0.37G/4K（容量表标注估算）；权重本体 753B 的 Q8 就要 700G+，单卡全装不下，门槛是多机/共享主机。收录理由：读者问「GLM-5.3 能不能本地跑」需要诚实答案——单卡不能，它的正确用法是 API 或多机集群。
实测速度：什么卡、什么量化、多少 token
上传实测数据
每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。
速查：什么卡、跑多少 token
推算值按 Q4_K_M、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。
架构（非标准 GQA 常数）
此模型是 MLA 多潜注意力 / 压缩稀疏注意力 / 哈希记忆一类架构，套不进本站「层数 × KV头 × 头维」的六字段常数—— 硬填就是编数字，所以这里不假装精确：KV 按官方口径（该模型自己公布的每 token 字节数，含它自己的 KV 精度）的保守近似线性估，容量表标注「近似」。 来源：zai-org/GLM-5.3 / config.json（抓取于 2026-11-12）。
上下文档位（按 Q4_K_M）
| 上下文 | KV | 总需显存 | 16G 水位内 |
|---|---|---|---|
| 4K | 0.37 G | 453.2 G | 超 |
| 8K | 0.74 G | 453.5 G | 超 |
| 32K | 2.96 G | 455.8 G | 超 |
| 128K | 11.84 G | 464.6 G | 超 |
* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。
各显存档位能开多大
| 显存 | 推荐量化 | 8K 总需 | 最多可开 |
|---|---|---|---|
| 4G | 装不下 | — | — |
| 6G | 装不下 | — | — |
| 8G | 装不下 | — | — |
| 10G | 装不下 | — | — |
| 11G | 装不下 | — | — |
| 12G | 装不下 | — | — |
| 16G | 装不下 | — | — |
| 20G | 装不下 | — | — |
| 22G | 装不下 | — | — |
| 24G | 装不下 | — | — |
| 32G | 装不下 | — | — |
| 48G | 装不下 | — | — |
| 64G | 装不下 | — | — |
| 96G | 装不下 | — | — |
| 128G | 装不下 | — | — |
| 256G | 装不下 | — | — |
| 512G | 装不下 | — | — |
「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。
估算速度（Q4_K_M · 8K）
推算 本站暂无这一模型的实测记录。
| 显卡 | 状态 | 估算 tok/s |
|---|---|---|
| NVIDIA RTX 5090 32G | 装不下 | 需 offload ≈1–2 |
| NVIDIA RTX 5090 D 32G | 装不下 | 需 offload ≈1–2 |
| NVIDIA CMP 170HX 64G（矿卡魔改） | 装不下 | 需 offload ≈1–2 |
| NVIDIA RTX PRO 5000 Blackwell 48G（工作站） | 装不下 | 需 offload ≈1–2 |
| AMD Instinct MI100 32G（老数据中心卡） | 装不下 | 需 offload ≈1–2 |
| AMD Instinct MI50 32G（数据卡） | 装不下 | 需 offload ≈1–2 |
| AMD Radeon VII 16G | 装不下 | 需 offload ≈1–2 |
| NVIDIA RTX 4090 24G | 装不下 | 需 offload ≈1–2 |
| NVIDIA RTX 3090 Ti 24G | 装不下 | 需 offload ≈1–2 |
同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 453.5G，对比各卡可用水位。
实测数据区
上传实测数据
推理框架命令
llama.cpp
# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download zai-org/GLM-5.3 config.json
# GGUF 量化版通常在第三方转换仓库，搜「zai-org/GLM-5.3 GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m GLM-5-3-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）Ollama
# 本站没核实到 Ollama 仓库里有 GLM-5.3 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=GLM-5.3宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。
vLLM
vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve zai-org/GLM-5.3 --max-model-len 8192 --gpu-memory-utilization 0.90LM Studio
模型页搜「zai-org/GLM-5.3」→ 选 Q4_K_M 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大仓库名 zai-org/GLM-5.3 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。
优化要点
- Q4_K_M 权重 451.8G（估算）、Q6_K 617.5G（估算）、Q8_0 800.1G（估算）：带「估算」的是公式值（官方仓库没核到这档），不带的核过真实文件；先在容量表里确认 8K 上下文还剩多少，再决定档位
- 上下文从 8K 提到 32K，KV 增加约 2.2G（本模型 未取到架构常数）
- 模型原生上下文上限是 1024K，把 -c 设得更高属于超纲使用，质量不保证
- 想要更长上下文：-ctk q8_0 -ctv q8_0 让 KV 减半，几乎不掉质量
- MoE 速度按激活参数（本站用 40B）算，显存却必须装下全部 753B 专家；两者混用会得出完全错误的结论
- 本站对单流解码设了经验上限 200–200 tok/s（依带宽分档），超出上限的数字是公式失真而不是你的卡快