Requisitos de hardware do GLM-5.3

GLM-5.3 é o modelo open-weight mais potente que pode descarregar hoje. A Z.ai lançou-o em 14 de agosto 2026 e publicou os pesos duas semanas depois, em 28 de agosto, assim que o reforço de segurança ficou concluído.⁴ Apresenta resultados de última geração no Terminal-Bench 3.0 e melhora essa pontuação de 4.6% para 28.3% face ao seu antecessor.⁴

Também é um modelo com 744B parâmetros, cuja versão utilizável exige 475GB de memória. Esse número, e não o benchmark, é que determina se o consegue correr.

• Parâmetros744Bcerca de 40B ativos
• Contexto1Mtokens
• LicençaGLM-5.3personalizada, não MIT
• Memória em 4 bits475GB94.3% precisão

O mesmo modelo que 5.2, mais treinado

GLM-5.3 partilha o modelo base com GLM-5.2. Todos os ganhos vêm de pós-treino adicional e não de uma nova execução de pré-treino.¹ A arquitetura, a contagem de parâmetros e a necessidade de memória são, portanto, idênticas às de 5.2, o que é conveniente: tudo o que aprendeu a correr 5.2 continua a aplicar-se, e qualquer máquina que corria 5.2 corre 5.3.

Tal como todos os modelos open de fronteira deste ano, é uma mistura de especialistas. Tem 744B parâmetros e encaminha cerca de 40B deles por token. A pequena cifra ativa é a razão pela qual uma única máquina pode gerar a uma velocidade razoável. A grande cifra total é a razão pela qual essa máquina tem de ser séria — o router escolhe especialistas diferentes para cada token, por isso todos ficam residentes.

O que precisa

A Unsloth publica uma escala completa de quantização para GLM-5.3, e, de forma invulgar, publica uma métrica de precisão medida ao lado de cada uma. Essa segunda coluna é o que torna a escolha possível.

O que cada quantização sacrifica

A quantização armazena cada peso em menos bits. A poupança é real e o custo também, e o custo não é linear. Leia a escala de baixo para cima e os primeiros passos são quase gratuitos; leia-a de cima para baixo e os últimos passos são brutais.

Passar de 4 bits para 2 bits poupa 230GB e custa quase dezasseis pontos de precisão. Passar de 5 bits para 4 bits poupa 95GB e custa um e meio. Se o seu orçamento estica até 512GB, 4 bits é onde o modelo ainda se comporta como ele próprio. Abaixo disso está a correr uma demonstração.

Três formas de chegar a 475GB

Uma pool de memória unificada. Um Mac Studio M3 Ultra 512GB suporta a build de 4 bits com margem para contexto, e é a máquina que faz isto hoje. A build de 2 bits em 245GB cabe diretamente numa máquina 256GB.² 512GB é, em qualquer dos casos, o limite no Apple Silicon: o mais recente M5 Ultra também termina no mesmo valor, e a sua configuração 512GB só deverá chegar no fim de outubro.⁵

Uma placa mais RAM do sistema. Como o modelo é esparso, a divisão funciona bem. As camadas de atenção vão para a placa gráfica, as camadas especialistas ficam na memória do sistema, e o sinalizador --n-cpu-moe do llama.cpp define onde fica a linha de separação. A Unsloth reporta GLM-5.2 a correr numa única placa 24GB com 256GB de RAM desta forma.² Espere que seja mais lento do que a memória unificada, porque os pesos dos especialistas depois são lidos à velocidade do seu DDR5 e não da sua VRAM. É aqui que uma plataforma de workstation de oito canais justifica o seu preço.

Tudo em VRAM. Quatro placas RTX PRO 6000 dão 384GB, o suficiente para uma build de 3 bits. A HelixML mediu o GLM-5.3-Flash, mais pequeno, em quatro placas RTX PRO 6000 Server Edition, a 63.7 tokens de saída por segundo para um único pedido e 82.8 com speculative decoding, e precisou de uma build experimental fixada do SGLang para o fazer.³ O suporte no dia zero para uma nova arquitetura raramente fica concluído.

Leia a licença antes de planear um produto com ela

Aqui é onde GLM-5.3 difere da sua própria família, e quase ninguém o menciona. GLM-5.2 foi lançado sob MIT.⁶ O GLM-5.3 não é: os seus pesos têm uma licença personalizada com o nome do modelo, que exige que operadores de model-as-a-service com receitas nos últimos doze meses acima de $10B passem por uma revisão de segurança da Z.ai antes de utilização comercial.⁴ GLM-5.3-Flash, lançado em 26 de agosto, volta a ser MIT.⁴

Para a maioria das empresas, o limiar de receita é irrelevante. O ponto é que a licença agora varia lançamento a lançamento dentro de uma mesma família, por isso verifique-a por modelo em vez de por fornecedor.

Definições que importam

Utilize uma temperatura de 1.0 com top-p em 0.95 para trabalho normal, e top-p em 1.0 para execuções agentic longas.¹

Uma armadilha é específica desta versão. O GLM-5.3 usa raciocínio máximo por defeito e o pensamento não pode ser desativado, o que não acontece com 5.2. Passe --chat-template-kwargs '{"reasoning_effort":"low"}' para o reduzir, e defina clear_thinking como true para conversas com vários turnos, para que o raciocínio antigo não se acumule no contexto.¹ Deixado por si numa conversa longa, gastará tanto os seus tokens como a sua margem de memória.

Para a aritmética por trás de tudo isto, consulte quanto memória precisa para executar um modelo aberto localmente. Para a versão mais recente na mesma classe de peso, consulte DeepSeek V4.1-Flash. Uma máquina 512GB hoje significa um Mac Studio M3 Ultra 512GB ou um Neox Metal com 512GB de memória ECC registada.