GLM-4.7 Flash 30B-A3B (MoE)
GLM-4.7 Flash 30B-A3B (MoE)をQ4_K_M・8kコンテキストで動かすには、19.8GBのVRAMが必要です（2026年10月16日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは24GBで、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は最大721トークン/秒です。
- パラメータ
- 31.2B（アクティブ3B）
- コンテキスト長
- 202,752トークン
- ライセンス
- MIT
- 公開
- 2026年1月
- config.jsonの確認日
- 2026年10月16日
GLM-4.7 Flash 30B-A3B (MoE)をローカルLLM動作チェッカーで開く
どのメモリ容量のGPUで動くか
必要量19.8GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年10月16日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはRTX 3090（24GB）です。必要量は19.8GBで、生成速度は推定377トークン/秒です。余裕を持って使いたい場合、つまり32,768トークンのコンテキストを確保しつつメモリ使用率を85%未満に抑えたい場合は、RTX 5090（32GB）に上げましょう。その場合の必要量は21.1GBで、生成速度は約721トークン/秒です。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX A6000（48GB）で、必要量は35.3GBです。Appleシリコンでは、Mac mini M4 Proなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定110トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを21.1GBで保持でき、生成速度は推定103トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | 動く | ≤ 1,348 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 820 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 721 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 721 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 541 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | 動く | ≤ 406 | 読むより速い | 24GB | 1,008GB/s |
| RX 7900 XTX | 動く | ≤ 386 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 386 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | 動く | ≤ 377 | 読むより速い | 24GB | 936GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 360 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 348 | 読むより速い | 48GB | 864GB/s |
| RTX A6000 | 動く | ≤ 309 | 読むより速い | 48GB | 768GB/s |
| RTX PRO 4000 Blackwell | 動く | ≤ 270 | 読むより速い | 24GB | 672GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 257 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 245 | 読むより速い | 32GB | 608GB/s |
| Arc Pro B60 | 動く | ≤ 183 | 読むより速い | 24GB | 456GB/s |
| RTX PRO 4000 Blackwell SFF | 動く | ≤ 174 | 読むより速い | 24GB | 432GB/s |
| RTX Spark | 動く | ≤ 121 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | ≤ 110 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | ≤ 103 | 読むより速い | 128GB（GPU用96GB） | 256GB/s |
| RX 7900 XT | 動かない | - | 収まらない | 20GB | 800GB/s |
| RTX 4060 Ti | 動かない | - | 収まらない | 16GB | 288GB/s |
| RTX 5060 Ti | 動かない | - | 収まらない | 16GB | 448GB/s |
| RTX 5080 | 動かない | - | 収まらない | 16GB | 960GB/s |
| RTX 5070 Ti | 動かない | - | 収まらない | 16GB | 896GB/s |
| RTX 4080 SUPER | 動かない | - | 収まらない | 16GB | 736GB/s |
| RX 9070 XT | 動かない | - | 収まらない | 16GB | 640GB/s |
| RX 9060 XT | 動かない | - | 収まらない | 16GB | 320GB/s |
| RTX 3060 | 動かない | - | 収まらない | 12GB | 360GB/s |
| RTX 4070 | 動かない | - | 収まらない | 12GB | 504GB/s |
| RTX 5070 | 動かない | - | 収まらない | 12GB | 672GB/s |
| Arc B580 | 動かない | - | 収まらない | 12GB | 456GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。GLM-4.7 Flash 30B-A3B (MoE)がQ4で1トークンごとに読む重みはわずか1.7GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた20個の数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年10月16日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 35.1GB（48GBに収まる） | 35.3GB（48GBに収まる） | 36.7GB（48GBに収まる） |
| Q5_K_M | 23.8GB（32GBに収まる） | 24GB（32GBに収まる） | 25.3GB（32GBに収まる） |
| Q4_K_M | 19.5GB（24GBに収まる） | 19.8GB（24GBに収まる） | 21.1GB（24GBに収まる） |
重みはQ4で18.1GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.054GB増えます。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
GLM-4.7 Flash 30B-A3B (MoE)は31.2Bパラメータのモデルです。MoE（Mixture of Experts）構成で、1トークンごとのアクティブパラメータは3Bです。全47レイヤーがMLA（Multi-head Latent Attention）を使います。20個のヘッドそれぞれのキーとバリューを持つ代わりに、各レイヤーは1トークンあたり576個の値からなる圧縮ベクトルを1つだけキャッシュします。Z.aiが2026年1月に公開した30B-A3BのMoEモデルで、GLM-4.7シリーズの軽量版です。ライセンスはMITで、テキストのみに対応し、MLAによってキャッシュを小さく抑えています。
テキストのみ コンテキスト長202,752トークン MIT 2026年1月公開 31.2B中3Bがアクティブ
思考モード：思考に対応しており、複数ターンにわたるエージェント作業向けに、思考内容を保持するモードもあります。
MLAのキャッシュを実装していないランタイムは、キーとバリューをそのまま保存するため、コンテキスト用のメモリが数倍必要になります。
ネイティブのコンテキスト長は202,752トークンです。ライセンスはMITで、寛容な（permissive）ライセンスです。重みの公開は2026年1月です。
得意なこと
- 24GBのGPUでの、エージェント型のタスクやツールを使うタスク。Z.aiもそう位置づけています。
- このサイトの30BクラスのMoEモデルの中で、もっとも寛容なライセンス
注意点
- モデルカードはランタイムとしてvLLMとSGLangを挙げています。このページのコンテキストの数値を前提にする前に、お使いのランタイムがMLAのキャッシュを実装しているか確認してください。実装していないランタイムは20ヘッド分のキーとバリューをそのまま保存するため、数倍のメモリが必要です。
- テキストのみです。
似たモデル
Q4_K_M・8kコンテキストでGLM-4.7 Flash 30B-A3B (MoE)とほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| GLM-4.7 Flash 30B-A3B (MoE) | 31.2B（アクティブ3B） | 19.8GB | 0.054GB | 198k | 2026年1月 |
| Qwen3 30B-A3B (MoE) | 30.5B（アクティブ3.3B） | 19.7GB | 0.098GB | 40k | 2025年4月 |
| Nemotron 3.5 Lightning 30B-A3B (MoE) | 31.6B（アクティブ3B） | 19.7GB | 0.006GB | 256k | 2026年8月 |
| Granite 4.2 30B | 29.3B | 20.3GB | 0.262GB | 128k | 2026年8月 |
| Gemma 4 31B | 31.3B | 20.9GB | 0.082GB | 256k | 2026年3月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- GLM-4.7 Flash 30B-A3B (MoE)は24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約19.8GBが必要で、24GBのGPUに余裕を持って収まります。
- GLM-4.7 Flash 30B-A3B (MoE)をQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約35.3GB、32kコンテキストでは36.7GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- GLM-4.7 Flash 30B-A3B (MoE)のコンテキスト長は？
- ネイティブで202,752トークンです。すべてをQ4_K_Mで保持すると約30.3GBが必要で、そのうち11GBがコンテキストの分です。
- GLM-4.7 Flash 30B-A3B (MoE)が長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全47レイヤーがMLA（Multi-head Latent Attention）を使います。20個のヘッドそれぞれのキーとバリューを持つ代わりに、各レイヤーは1トークンあたり576個の値からなる圧縮ベクトルを1つだけキャッシュします。32kトークンのコンテキストに必要なメモリは約1.8GBです。もし47レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約31.5GBかかります。
- GLM-4.7 Flash 30B-A3B (MoE)はRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約406トークン/秒で、体感は「読むより速い」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging Faceのzai-org/GLM-4.7-Flashにあるconfig.jsonとモデルカードから読み取り、2026年10月16日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。