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

Servir GLM 5.2 avec vLLM

GLM 5.2 compte 744 milliards de paramètres. vLLM vise service en production, débit et concurrence. Cette page donne la mémoire nécessaire et les plateformes qui conviennent.

Par QDNA · Publié le · Mis à jour le

Réponse courte. vLLM sert GLM 5.2 dès lors que la machine offre au moins 428 Go de mémoire, empreinte des poids en NVFP4. 7 des 8 plateformes du catalogue y parviennent.

Quelle mémoire faut-il au minimum ?

GLM 5.2 totalise 744 milliards de paramètres. En NVFP4, ses poids occupent environ 428 Go, marge d’exécution comprise : 744 milliards de paramètres × 0,5 octet (NVFP4) = 372,0 Go de poids ; × 1,15 de marge d’exécution = 427,8 Go. En FP8 l’empreinte double, à environ 856 Go (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 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].

À quoi sert vLLM ?

vLLM vise service en production, débit et concurrence. Voir la fiche vLLM et la fiche GLM 5.2.

Sur quelles plateformes ?

Quelle mémoire pour GLM 5.2 avec vLLM ?

Environ 428 Go en NVFP4 pour les poids, hors cache d’attention.

vLLM convient-il à GLM 5.2 ?

vLLM sert GLM 5.2 dès lors que la machine offre au moins 428 Go de mémoire, empreinte des poids en NVFP4. 7 des 8 plateformes du catalogue y parviennent.

Méthode et sources

Les empreintes mémoire sont calculées, elles ne sont pas mesurées : 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.