GLM-4.7-Flash — which GPUs fit

Z.ai · 31.2B (active 12B) · MoE · ctx 128K · MIT · HuggingFace

GLM-4.7-Flash (Z.ai) is a 31.2B parameters MoE (12B active per token) open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 20.56 GB VRAM for Q4 (weights 17.16 GB + KV 2.4 GB + 1 GB overhead) and 65.8 GB for FP16. About 21 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 424.2 tok/s (estimated); MI300X 192GB ≈ 281.1 tok/s (estimated); H200 141GB SXM5 ≈ 254.5 tok/s (estimated); H100 80GB SXM5 ≈ 177.7 tok/s (estimated); Gaudi 3 128GB ≈ 173.7 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

72 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	424.2 est.	Yes	0.011
MI300X 192GB	192	Q4	281.1 est.	Yes	0.019
H200 141GB SXM5	141	Q4	254.5 est.	Yes	0.007
H100 80GB SXM5	80	Q4	177.7 est.	Yes	0.006
Gaudi 3 128GB	128	Q4	173.7 est.	Yes	0.014
B200 192GB SXM	192	FP16	116.7 est.	Yes	0.003
RX 7900 XT 20GB	20	Q4	114.7 est.	No	0.128
A100 80GB SXM4	80	Q4	108.1 est.	Yes	0.007
RTX 5090 32GB	32	Q4	95.0 est.	Yes	0.048
RTX 5080 16GB	16	Q4	88.1 est.	No	0.088
RTX 5070 Ti 16GB	16	Q4	82.2 est.	No	0.11
MI300X 192GB	192	FP16	77.3 est.	Yes	0.005
H200 141GB SXM5	141	FP16	70.0 est.	Yes	0.002
RTX 4080 Super 16GB	16	Q4	67.5 est.	No	0.068
RTX 4070 Ti Super 16GB	16	Q4	61.7 est.	No	0.077
RX 9070 16GB	16	Q4	58.7 est.	No	0.107
RX 9070 XT 16GB	16	Q4	58.7 est.	No	0.098
RX 7800 XT 16GB	16	Q4	57.3 est.	No	0.115
RTX 4090 24GB	24	Q4	53.5 est.	Yes	0.033
RTX 4090D 24GB (China)	24	Q4	53.5 est.	Yes	0.033
RTX 3090 Ti 24GB	24	Q4	53.5 est.	Yes	0.027
RX 7900 GRE 16GB	16	Q4	52.9 est.	No	0.096
Arc A770 16GB	16	Q4	51.4 est.	No	0.147
RX 7900 XTX 24GB	24	Q4	50.9 est.	Yes	0.051
RTX 6000 Ada 48GB	48	Q4	50.9 est.	Yes	0.007
RTX 3090 24GB	24	Q4	49.6 est.	Yes	0.033
H100 80GB SXM5	80	FP16	48.9 est.	Yes	0.002
Gaudi 3 128GB	128	FP16	47.8 est.	Yes	0.004
L40S 48GB	48	Q4	45.8 est.	Yes	0.006
Mac Studio M3 Ultra 96GB	96	Q4	43.4 est.	Yes	0.011
Mac Studio M2 Ultra 192GB	192	Q4	42.4 est.	Yes	0.006
RTX 5060 Ti 16GB	16	Q4	41.1 est.	No	0.096
RTX A6000 48GB	48	Q4	40.7 est.	Yes	0.009
RTX 5070 12GB	12	Q4	34.7 est.	No	0.063
A100 80GB SXM4	80	FP16	29.7 est.	Yes	0.002
T4 16GB	16	Q4	29.4 est.	No	0.015
MacBook Pro M4 Max 128GB	128	Q4	29.0 est.	Yes	0.007
RTX 4070 Ti 12GB	12	Q4	28.6 est.	No	0.036
RTX 3080 10GB	10	Q4	27.2 est.	No	0.039
RTX 4060 Ti 16GB	16	Q4	26.4 est.	No	0.053
RX 7600 XT 16GB	16	Q4	26.4 est.	No	0.08
RTX 4070 12GB	12	Q4	26.0 est.	No	0.043
RTX 4070 Super 12GB	12	Q4	26.0 est.	No	0.043
Arc B580 12GB	12	Q4	23.5 est.	No	0.094
RX 7700 XT 12GB	12	Q4	22.3 est.	No	0.05
RTX 6000 Ada 48GB	48	FP16	21.3 est.	No	0.003
MacBook Pro M3 Max 128GB	128	Q4	21.2 est.	Yes	0.005
L40S 48GB	48	FP16	19.2 est.	No	0.002
RTX 3060 12GB	12	Q4	18.6 est.	No	0.057
RTX 5090 32GB	32	FP16	17.7 est.	No	0.009
RTX A6000 48GB	48	FP16	17.0 est.	No	0.004
Mac mini M4 Pro 64GB	64	Q4	14.5 est.	Yes	0.007
Arc B570 10GB	10	Q4	13.6 est.	No	0.062
Mac Studio M3 Ultra 96GB	96	FP16	11.9 est.	Yes	0.003
Mac Studio M2 Ultra 192GB	192	FP16	11.7 est.	Yes	0.002
Mac mini M4 Pro 64GB	64	FP16	10.8 est.	No	0.005
RTX 5060 8GB	8	Q4	10.3 est.	No	0.034
RTX 5060 Ti 8GB	8	Q4	10.3 est.	No	0.027
RTX 3070 8GB	8	Q4	10.3 est.	No	0.021
MacBook Pro M4 Max 128GB	128	FP16	8.0 est.	Yes	0.002
RTX 4060 Ti 8GB	8	Q4	6.6 est.	No	0.017
RX 7600 8GB	8	Q4	6.6 est.	No	0.025
Mac mini M4 32GB	32	Q4	6.4 est.	Yes	0.006
RTX 4060 8GB	8	Q4	6.2 est.	No	0.021
MacBook Pro M3 Max 128GB	128	FP16	5.8 est.	Yes	0.001
RTX 4090 24GB	24	FP16	5.6 est.	No	0.004
RTX 4090D 24GB (China)	24	FP16	5.6 est.	No	0.004
RTX 3090 Ti 24GB	24	FP16	5.6 est.	No	0.003
RX 7900 XTX 24GB	24	FP16	5.3 est.	No	0.005
RTX 3090 24GB	24	FP16	5.2 est.	No	0.003
RX 7900 XT 20GB	20	FP16	3.1 est.	No	0.003
Mac mini M4 32GB	32	FP16	1.2 est.	No	0.001