GLM-5.2 是 744B 参数的 MoE 模型（40B active），1M context，Unsloth 做了动态量化 GGUF 让它在本地跑。2026 年 6 月这帖在 HN 上 347 分、150 条评论，评论里有人真跑起来了，配置和数字都在。
量化选哪档
Unsloth 的动态量化按层分配精度——重要层留高位、不重要层压低位。各档内存需求和精度：
| 量化 | 总内存 | top-1 精度 |
|---|---|---|
| 1-bit (UD-IQ1_M) | 223 GB | ~76% |
| 2-bit (UD-IQ2_M) | 245 GB | ~82% |
| 4-bit (UD-Q4_K_XL) | 290–360 GB | 基本无损 |
| 5-bit (UD-Q5_K_XL) | 372–475 GB | 无损 |
| 8-bit | 810 GB | 无损 |
Unsloth 说 4-bit 和 5-bit "mostly lossless"。评论里有人直接说：编码任务至少 Q8 才有意义，2-bit 不够。所以——想体验就 Q2，想干活就 Q4 起步。
真实配置和速度
评论里三个真实跑通的案例：
512GB RAM + 双 3090，Q4_K_XL，6 tok/s。 用 llama.cpp 的 -cmoe 模式：attention/route tensor 留在 GPU 上，其余 offload 到系统内存。DDR4-2400 的带宽是瓶颈，换 DDR4-3200 能到 9 tok/s。这套配置实际花费接近 $10k——512GB 内存约 $5k，两块 3090 各约 $2k。
纯 CPU，Q6，1 tok/s。 AMD 9684X 跑 Q6，单路 1 tok/s，但能并行 16 路——每路也是 1 tok/s。适合批量跑不赶时间的活。
12GB VRAM 3060 + 大内存。 能跑，但评论者建议直接上双 3090——-cmoe 把 attention 放 GPU、其余 offload 到 CPU 内存，3060 的 12GB 勉强够 attention 层。
256GB 能启动 2-bit，但评论者普遍说不会有好体验。512GB 是现实最低线。
怎么跑
用 llama.cpp，关键参数：
llama-server \
-m GLM-5.2-Q4_K_XL.gguf \
-cmoe \ # MoE offload：attention 留 GPU，其余放 CPU
-ngl 99 \ # GPU 层数
-c 1048576 \ # 最大 context（1M）
--chat-template-kwargs '{"enable_thinking":true}' # 开启思考模式
GLM-5.2 有三种思考模式：关闭、High、Max。复杂任务用 Max Thinking。推荐参数：temperature=1.0, top_p=0.95。关闭思考把 enable_thinking 设为 false，或者用 --reasoning off。
一台 Mac 行不行
256GB 统一内存的 Mac（Mac Pro 或 Mac Studio Ultra）可以直接跑 2-bit（239GB 磁盘）。统一内存的好处是不用操心 GPU/CPU 分配，坏处是带宽不如多通道 DDR4+GPU 组合。评论里有人提到 AMD 即将出的 Medusa Halo 支持到 256GB 统一内存，"刚好够跑 2-bit 量化"。
成本账
本地跑的电费：满载 600W，一天 14 度电，$0.2/度 = 一年约 $1k。硬件是主要成本——$10k 起步的 512GB + 双 3090 方案，对比 GLM-5.2 的 API 价格（不到 Opus 的五分之一），纯算经济账不划算。但数据不出门这件事，对有些人无价。