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

Faire tourner GLM 5.2 sur Serveur RTX PRO 6000

GLM 5.2 compte 744 milliards de paramètres. Serveur RTX PRO 6000 offre 768 Go de mémoire GDDR7, 8 GPU. Cette page confronte les deux.

Par QDNA · Publié le · Mis à jour le

Réponse courte. GLM 5.2 tient sur Serveur RTX PRO 6000 à condition de quantifier. En NVFP4, ses poids occupent environ 428 Go sur 768 Go. Les formats plus précis ne logent pas.

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 NVFP4, le calcul s’écrit : 744 milliards de paramètres × 0,5 octet (NVFP4) = 372,0 Go de poids ; × 1,15 de marge d’exécution = 427,8 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 Gone tient pasperte 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 sur Serveur RTX PRO 6000 à condition de quantifier. En NVFP4, ses poids occupent environ 428 Go sur 768 Go. Les formats plus précis ne logent pas. 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].

Serveur RTX PRO 6000 : prix sur devis. Aucun constructeur ne publie de tarif pour un serveur à 8 cartes ; la carte seule est affichée 16 000 $ sur la place de marché NVIDIA au 1er septembre 2026 (relevé thundercompute.com). La machine vise le segment PME, GE.

Où faire tourner GLM 5.2 autrement ?

Voir aussi la fiche GLM 5.2 et la fiche Serveur RTX PRO 6000.

Quelle mémoire faut-il pour GLM 5.2 ?

En NVFP4, les poids occupent environ 428 Go, marge d’exécution comprise. Le cache d’attention s’ajoute et dépend du contexte.

GLM 5.2 tient-il sur Serveur RTX PRO 6000 ?

GLM 5.2 tient sur Serveur RTX PRO 6000 à condition de quantifier. En NVFP4, ses poids occupent environ 428 Go sur 768 Go. Les formats plus précis ne logent pas.

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.