这周智谱/GLM圈子里最密集的一簇讨论，不在股价上，也不在套餐涨价上，而在一个很具体的动作上：把GLM-5.3自己装进机器里。
时间线很能说明问题——10月7日，B站刚挂出"8卡RTX PRO 6000原生FP4装下GLM-5.3"的工程课，小红书同一天又有人发"把GLM-5.3-Flash装进算力舱，token自由"；往前数两周，4台DGX Spark跑Flash的实测帖已经攒了54赞30条评论；今天，知乎"本地部署大模型有必要吗"底下还在进新回答。免费额度线10月7日收网、限流还在、权重早在8月底就开放——"自己装一台"突然从玩票变成了有真实成本的决策。
但把这些散在B站、小红书、知乎、公众号的实测数据挨个对过之后，我的结论是先泼两盆冷水："跑得动"和"能干活"是两件事，"能干活"和"跑得稳"又是另一件事。下面把五个档位的账一次摊清。
先把模型卡拆对：40B激活，不代表你只需要装40B
动手算硬件之前，先把三个容易混淆的口径钉死（全部来自公开仓库和模型卡信息）：
8月14日Z.ai公告"两周后公开权重"，8月28日141个safetensors分片如约出现在Hugging Face，按文件API求和约755.63GB，模型页取整756GB；模型卡标注753B参数量，坊间通稿常写744B——同一件东西的两种数法，不影响你掏钱。知乎
GLM-5.3完整版是超大规模MoE：每个token实际激活只有约39-40B参数，但19456个路由专家必须随时"找得到"。MoE省的是算力，不是显存。vLLM给5.2 FP8的最低显存需求是893GB——因为756GB权重只是账单的起点。量子位
GLM-5.3-Flash约320B（FP8权重约180GB），是桌面档真正要算的对象；官方模型卡写明5.3与5.2共用基座、增益全部来自后训练。为什么值得馋这坨权重：Semgrep的IDOR越权检测基准里，开源GLM-5.2在"裸跑无脚手架"条件下拿F1 39%，超过Claude Code和Claude Opus 4.8，每发现一个漏洞0.17美元、约顶尖闭源模型的六分之一。知乎
一句话：完整版和Flash是两个物种，硬件账目完全不同，看攻略前先确认你装的到底是哪一个。
五档自建账本：从25GB内存的旧笔记本到350万的机房
档位 | 装法 | 实测速度 | 大致花费 | 一句话判定 |
|---|---|---|---|---|
T0 收藏档 | Colibrì分层推理，int4专家放SSD按需捞 | 冷缓存0.05-0.1 tok/s；128GB内存CPU机1.8 tok/s；6×5090约5.8-6.8 tok/s | 有台16GB内存的机器就算数 | 跑得动，不能干活 |
T1 统一内存档 | Mac/GB10级大内存+社区量化版（llama.cpp、exl3等） | 社区实测帖为主，无标准口径 | 数万元级（整机） | 单人轻度可用 |
T2 算力舱档 | 4×DGX Spark组TP4跑Flash | 20.4-102 tok/s（见下） | 国产现货约3.35万/台×4≈13.4万 | 单人生产力成立 |
T3 专业显卡档 | 8×RTX PRO 6000原生FP4装完整版；官方NVFP4量化 | 取决于并发目标 | 十万元级 | 数据中心的下放 |
T4 企业单节点档 | 2×H200跑Flash / 8×H20或8×B200跑完整版 | 以TTFT+吞吐验收 | 8×H200服务器约350万 | 别按帖子抄，按业务反推 |
T0：32k Star的小蜂鸟证明了"能跑"的下限，顺便证明了下限不能干活。纯C实现的分层推理框架Colibrì把744B模型拆成两层：每次必用的Dense部分（约17B，int4后9.9GB）常驻内存，海量路由专家（int4后约370GB）整个扔在NVMe SSD上，Router点到谁才现场捞谁，再加LRU缓存和"提前一层预测专家"（可预测性71.6%）。结果是最低16GB内存、12核CPU的开发机真能把744B跑起来——冷缓存时约0.05-0.1 tok/s。这个数字翻译一下：让它写一个300行的函数，够你下班再上班。堆到128GB内存的纯CPU台式机约1.8 tok/s，喂满6张5090才来到5.8-6.8 tok/s。想收藏权重当摆件，这一档免费证明你"拥有"；想拿它干活，免谈。量子位
T2：这周讨论最热的"家用主力"档，账要算到秒。小红书"极算门"9月22日发的4×DGX Spark TP4跑GLM-5.3-Flash实测（单流、输出400 token、5次取中位数）：关闭投机解码20.40 tok/s，开DFlash2(k=7)后结构化输出102.22 tok/s、自然文本41.65 tok/s。小红书注意这个"5倍"只在结构化输出成立，别拿它换算你的日常聊天速度。更值得记住的是长文档冷请求：128K输入的预填充吞吐1399 tok/s，首字要等93.71秒——发帖人自己都注明"85万token是当前服务的配置上限，不是完成等长性能验收的结果"。跑起来也不等于跑得住：他们遇到过引擎已经STALL、`/health`接口却仍然返回200的事故，最后改成监控"生成token是否推进"。
钱的部分正处在一个窗口期：128GB版DGX Spark首发3999美元，今年2月涨到4699，10月2日官方涨到6950美元（国内9月21日现货价约33550元/台）；同一天英伟达发布了64GB版、4999美元起，由宏碁、华硕、戴尔、惠普等OEM在10月23日上市，两台64GB可QSFP直连组成128GB内存池、官方称支持最高2000亿参数。内存砍半、价格反超当年128GB首发价1000美元——这不是商家发疯，是内存通胀写进了定价页。“现在上128GB还是等10/23的64GB现货”，就是本周最实际的决策分歧。华尔街见闻知乎
顺手给"算力舱上限"一个参照系：AMD资深技术专家Patrick Moorhead晒出自己的4台Spark环形QSFP直连（中间连交换机都不要），跑的是DeepSeek V4.1-Flash——单流代码暖机后稳定72 tok/s、32并发聚合494 tok/s、首token仅0.27秒。这是另一款模型的数据，不能算到GLM头上，但它划出了"4台Spark这一物理形态"的天花板在哪里：同样的盒子，装不同的模型，体验差一个数量级，关键变量是权重体积和内存带宽（GB10单台约273GB/s）。知乎
T3：英伟达把"腰斩"做成了官方路线。6月25日nvidia在Hugging Face悄悄上架GLM-5.2-NVFP4：用自家Model Optimizer把权重+激活从FP8压到FP4，显存直接减半，且只量化MoE专家层的线性算子、共享专家保留原始精度——GPQA Diamond从89.52掉到89.39（0.13分，误差范围内），IFBench和τ²-Bench Telecom反而涨分。官方支持SGLang、vLLM，原生FP4算力要吃Blackwell（B200/B300），Hopper能跑但吃不到红利。本周B站的"8卡RTX PRO 6000原生FP4装下GLM-5.3"课，就是把这条数据中心路线搬进了准桌面形态。至于社区帖里"V100解锁NVFP4、145 toks逆天输出"——Volta架构没有原生FP4单元，这类"解锁"实验的数字，请自行打个折再看。知乎
T4：企业档只给一个提醒——别问"几张卡够"，先问业务。知乎那篇传播很广的《8张H20够吗》给的答案是：完整版Native FP8、8×141GB H20-3e、TP8是128K上下文的单节点基线；完整1M必须8×B200。Flash则是2×H200（282GB）里装约180GB权重、留约100GB给KV Cache的活儿。短请求SGLang首字更快、长Prompt vLLM的TTFT更低但持续吞吐仍是SGLang略高——框架党不用站队，拿自己的prompt做A/B才是正解。预算口径：一台8×H200服务器，去年还能压在300万内，今年内存硬盘暴涨、老章原话"350万都打不住"；上下文拉到1M还要双节点加200G交换机、高密机柜供电改造。真到这一步，买的不是显卡，是"数据不出边界"的控制权——受监管的金融客户买的就是这个。知乎知乎知乎
四个坑，比显卡更贵
显存除法陷阱。756GB权重÷单卡141GB得到的只是算术下限，KV Cache、并发、激活、运行时开销全不在里面。上下文越长，装得下模型≠开得起1M。
"能响应"陷阱。`/health`返回200但token不推进的事故真实发生过。自建监控要盯"生成是否在推进"，而不是接口状态码。
行为不一致陷阱。小红书帖子标题写得直白：“本地部署GLM-5.3-Flash别再丢掉思考”——本地版混合推理/思考档位默认行为与云端API不同，别拿云端手感直接换算；同理，云端"永久免费""夜间免费"那些营销口径也不自动跟到你家机房里。
许可陷阱。GLM-5.2是MIT，GLM-5.3换成了自定义许可：使用、修改、部署、微调、衍生都放开，但如果你的业务落入其MaaS定义、且任意连续12个月累计总收入超100亿美元，商用前须过Z.ai的安全审查。想"套壳转售"的先读许可原文；另外别忘了5.3发布时那2436项漏洞披露的叙事——开放权重把控制权交给你的同时，权限、网络边界、日志、人工接管这些设计责任也一并交了过来。知乎
划不划算：先过四类人名单，再谈买卡
今天知乎"本地部署有必要吗"下面的回答把账拆成三笔（硬件折旧、时间、工程量），结论很克制：先用云端把事跑通，真遇瓶颈再下本地——顺序反了的人，剧本是"周二拍脑袋、周三修依赖、周四发现不如API、周五默默放弃"。而真把自建跑成主力的人长什么样？另一篇实操帖给了样本：洋垃圾双路X99+4张解锁显存的老卡、合计256GB显存，TP2×PP2跑一个中小MoE，单流60 tok/s、16并发450 tok/s，成了他的生产主力——代价是每天11度电和全部排障时间。知乎知乎
对齐到2026年10月的行情，判断其实很简单：
单人、用量在套餐限额内：官方118元档订阅（月费折合国际版约$18档）依然是唯一答案，13万自建对98%的人只是更贵的玩具。知乎
数据不能出内网：本地不是选项，是必须项，直接跳T3/T4按业务反推；
API账单肉疼的高频大户：自建摊硬件才成立，但要按"权重体积×并发"选档，不是按跑分；
要微调、要研究、要断网环境：权重开源的真正受益人就是你，756GB随你拆。
接下来盯什么
10月23日：64GB版Spark各OEM实售价，看$4,999标尺能不能压住国内现货溢价；英伟达同步放出Sync Model Launcher（月底）简化集群启动，两台64GB组池的模型兼容清单值得翻一遍；
10月30日：订阅侧社区反复提的那个日期，套餐端如果再动价格/额度，自建vs订阅的平衡线会跟着挪；
NVFP4下放节奏：nvidia的官方量化版目前挂在5.2名下，5.3对应版本和社区engine（llama.cpp-glm-fast、exl3双机方案）谁先把"半显存"路线跑通，桌面档的性价比会再变一次；
开源节奏本身：这次"带日期的承诺按期落地"（14天、141分片、756GB可验证）是智谱给自己攒的信用分——下一张模型卡还兑不兑现，比任何一次跑分都更能决定你今早要不要开始装。
一句话收口：GLM-5.3的本地时代是真的，门槛也是真的——旧笔记本上的0.05 tok/s和算力舱里的102 tok/s是同一枚硬币的两面。先弄清自己落在四类人名单的哪一格，再决定动显卡还是续套餐。
（档位数据均来自各帖作者本人公布口径，标"实测"的都有明确测试条件，转引时请以原文为准。）
