GLM-5 calculadora TPS
Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..
Calculado para este modelo
818 tarjetas que tenemos especificaciones para
¿Qué GPU pueden ejecutar? GLM-5?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
0 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
Ninguna tarjeta en nuestro catálogo puede ejecutar este modelo con estas configuraciones.. |
|||||||
Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Z.ai (Zhipu AI)
- Tipo de Organización
- Industry
- País
- China
- Publicado
- 17 February 2026
- Autores
- Aohan Zeng, Xin Lv, Zhenyu Hou, Zhengxiao Du, Qinkai Zheng, Bin Chen, Da Yin, Chendi Ge, Chenghua Huang, Chengxing Xie, Chenzheng Zhu, Congfeng Yin, Cunxiang Wang, Gengzheng Pan, Hao Zeng, Haoke Zhang, Haoran Wang, Huilong Chen, Jiajie Zhang, Jian Jiao, Jiaqi Guo, Jingsen Wang, Jingzhao Du, Jinzhu Wu, Kedong Wang, Lei Li, Lin Fan, Lucen Zhong, Mingdao Liu, Mingming Zhao, Pengfan Du, Qian Dong, Rui…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling/generation
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 744B
- Datos de entrenamiento
- tokens
"GLM-5 scales to 256 experts and reduces its layer count to 80 to minimize expert parallelism communication overhead. This results in a 744B parameter model"
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 6.8 × 10²⁴ FLOP
6 * 40B parameters * 28.5e12 tokens = 6.84e24 FLOP estimated
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- Huawei Ascend 910C
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Hugging Face
- zai-org
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Discretionary
- Confianza de registro
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- GLM-5: from Vibe Coding to Agentic Engineering
- Última actualización
- 8 April 2026
Qué significan los números
Lo que necesitas para ejecutar esto
GLM-5 llega a un recuento de parámetros de 744B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 0.
Qué es este modelo
GLM-5 fue publicado por Z.ai (Zhipu AI), en el país registrado como China, durante February 2026. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización zai-org.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6.8 × 10²⁴ FLOP, en hardware registrado como Huawei Ascend 910C. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
La razón por la que aparece en este catálogo en absoluto: discretionary.
Paso a paso
Cómo elegir una GPU para GLM-5
La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..
-
01
Verifica lo que necesita antes de cualquier otra cosa.
La tabla enumera cada tarjeta capaz de contener GLM-5. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
-
02
Decide cuánto duran tus conversaciones.
Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. GLM-5.
-
03
Decide cuánto compresión aceptarás
La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa.. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
-
04
Compara tokens por segundo, no especificaciones
La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. GLM-5. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria.
-
05
Verifica el veredicto de ajuste antes de comprar
Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de GLM-5. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
-
06
Revisa la tarjeta del otro lado
Cada nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para GLM-5.
Respuestas
GLM-5 — preguntas comunes
GLM-5— ¿Qué tan precisas son estas estimaciones de velocidad?
Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: el rango debajo de cada cifra. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
GLM-5— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
GLM-5— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 744B. "GLM-5 scales to 256 experts and reduces its layer count to 80 to minimize expert parallelism communication overhead. This results in a 744B parameter model". Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
GLM-5— ¿Quién lo creó?
Fue publicado por Z.ai (Zhipu AI), basado en China, una organización categorizada como industry.
GLM-5— ¿cuándo fue lanzado?
Se publicó en February 2026.
GLM-5— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
GLM-5— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización zai-org. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
GLM-5— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.8 × 10²⁴ FLOP, en hardware registrado como Huawei Ascend 910C. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
GLM-5— ¿Puedo ejecutarlo si no cabe en mi GPU?
Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 191.6 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
GLM-5— ¿Correrían dos GPUS más rápido?
Dos tarjetas compran memoria en lugar de velocidad, lo cual solo importa si una tarjeta no puede contenerlo. El número que puede: 0. Así que una segunda tarjeta rara vez es la respuesta aquí.
GLM-5— ¿Por qué difiere la cuantificación entre tarjetas?
Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.