QDNAConseil et architecture de plateformes d'inférence et d'entraînement de LLM, en local ou hybride

Faire tourner GLM 5.2 sur B200 SXM

GLM 5.2 compte 744 milliards de paramètres. B200 SXM offre 1 440 Go de mémoire HBM3e, 8 GPU. Cette page confronte les deux.

Par QDNA · Publié le · Mis à jour le

Réponse courte. GLM 5.2 tient largement sur B200 SXM. En FP8, ses poids occupent environ 856 Go sur les 1 440 Go disponibles, soit 584 Go laissés au cache d’attention et à la concurrence.

Quelle mémoire GLM 5.2 demande-t-il ?

Les poids occupent le nombre de paramètres multiplié par la taille du format, plus une marge d’exécution de 15 % pour les activations et les tampons. En FP8, le calcul s’écrit : 744 milliards de paramètres × 1 octet (FP8) = 744,0 Go de poids ; × 1,15 de marge d’exécution = 855,6 Go. Le cache d’attention s’ajoute par-dessus : il croît avec la longueur du contexte et avec le nombre de requêtes simultanées, donc il se dimensionne au cas par cas.

FormatPoids en mémoireSur cette machineCe que le format coûte
FP161 711 Gone tient paspleine précision, référence de qualité
FP8856 Gotientperte négligeable sur la plupart des tâches
NVFP4428 Gotientformat Blackwell, calcul FP4 natif
Q4513 Gotientquantification par blocs, large support

Fiche du modèle : 744 milliards de paramètres, 40 milliards actifs par token, contexte de 1 048 576 tokens, licence MIT. 744 milliards annoncés par Z.AI ; le dépôt compte 753 milliards d’éléments de tenseurs en BF16 (1 507 Go).

GLM 5.2 active 40 milliards de paramètres par token sur 744 au total. Ces paramètres actifs gouvernent la vitesse, pas l’empreinte : tous les experts restent chargés en mémoire. Confondre les deux conduit à sous-dimensionner la machine d’un ordre de grandeur.

Que reste-t-il pour servir des requêtes ?

GLM 5.2 tient largement sur B200 SXM. En FP8, ses poids occupent environ 856 Go sur les 1 440 Go disponibles, soit 584 Go laissés au cache d’attention et à la concurrence. La marge disponible décide du nombre de requêtes simultanées et de la longueur de contexte tenable. Par convention QDNA, une machine « tient » quand les poids occupent au plus 75 % de sa mémoire ; au-delà, elle « tient tout juste » et contraint à limiter le contexte ou la concurrence. Le cache d’attention n’est pas calculé sur cette page. Les architectures de ces modèles (attention latente compressée, linéaire ou creuse, couches Mamba) n’ont pas de formule commune par token ; il se mesure sur la machine, avec le contexte et la concurrence visés [À MESURER].

B200 SXM : prix sur devis. NVIDIA ne publie pas de tarif ; Aivres annonçait environ 340 000 $ HT pour un serveur HGX B200 (Arc Compute, mise à jour du 30 juillet 2026, signalée comme périmée par l’auteur). La machine vise le segment GE.

Où faire tourner GLM 5.2 autrement ?

Voir aussi la fiche GLM 5.2 et la fiche B200 SXM.

Quelle mémoire faut-il pour GLM 5.2 ?

En FP8, les poids occupent environ 856 Go, marge d’exécution comprise. Le cache d’attention s’ajoute et dépend du contexte.

GLM 5.2 tient-il sur B200 SXM ?

GLM 5.2 tient largement sur B200 SXM. En FP8, ses poids occupent environ 856 Go sur les 1 440 Go disponibles, soit 584 Go laissés au cache d’attention et à la concurrence.

Méthode et sources

L’empreinte est calculée, elle n’est pas mesurée : un relevé sur machine peut s’en écarter selon le moteur et le format exact des poids. Chaque valeur ci-dessous porte sa source et la date de son dernier contrôle.