2026-10-20
Project Maya : GLM-5.3-Flash et DeepSeek avec plus de mémoire et une facture GPU basse
Maya quantifie GLM-5.3-Flash et DeepSeek-V4.1-Flash-1017 et les sert depuis un seul GPU, en déplaçant les experts entre VRAM, RAM et NVMe. Dans le catalogue, les profils Maya visent une PRO 6000 et une H200.
Project Maya exécute deux MoE open-weight sur du matériel propre : GLM-5.3-Flash de Z.ai et DeepSeek-V4.1-Flash-1017. Licence MIT pour le code. Les quants Maya gardent la licence des poids d'origine, elle aussi MIT. SophyAI les ajoute comme profils de référence, à côté des chemins déjà lançables.
Les quants
Maya publie ses propres quants, avec le bloc MTP qui anticipe les tokens.
| Quant | Modèle | Téléchargement | Fidélité annoncée par Maya |
|---|---|---|---|
| Maya-M | GLM-5.3-Flash | 116 Go | 97,9 % de la précision zero-shot du FP8 ; le même token suivant 86 % du temps |
| Maya-S | DeepSeek-V4.1-Flash-1017 | 178 Go, plus environ 203 Go de tables Engram Unsloth | le même token suivant que l'original 92,6 % du temps |
GLM-5.3-Flash compte 321 milliards de paramètres et environ 18 milliards actifs par token. Le contexte natif atteint 1 million. Le profil du catalogue en sert 262 144, la fenêtre de la mesure upstream sur la PRO 6000. DeepSeek-V4.1-Flash-1017 est le rafraîchissement des poids du 17 octobre 2026, 748 milliards de paramètres. Le profil en sert 131 072, comme le chemin vLLM déjà au catalogue. Le contexte natif reste à 1 million.
Deux machines, une facture plus basse
| Profil | Machine | Fourchette GPU du catalogue | Chiffre upstream |
|---|---|---|---|
glm53flash-maya-pro6000 | 1× RTX PRO 6000, au moins 64 Go de RAM | 1,2–2,0 USD/h | 81 tok/s en décodage, 3102 en prefill, contexte 256k |
dsv41-maya-h200 | 1× H200, au moins 192 Go de RAM, NVMe | 2,5–5,0 USD/h | tok/s non publiés pour une seule H200 |
La ligne à 81 tok/s vient de Maya, version 1.1.7, sur une RTX PRO 6000 Blackwell, un Ryzen 7 9800X3D et 61 Go de RAM, avec Maya-M. SophyAI a mesuré le chemin Unsloth du même GLM-5.3-Flash sur la même classe de carte à environ 51 tok/s et 1,70 USD/h. Le flagship GLM-5.3 sur une H200, dans une session à nous, est à 3,68 USD/h. Ce sont des modèles différents : Flash et flagship. Le profil Maya est la voie Flash, avec un décodage annoncé plus élevé, sur un seul GPU workstation.
Pour DeepSeek, vLLM sur 8× H200 est au catalogue entre 16 et 32 USD/h, avec les poids complets d'environ 510 Go. Une H200 se situe entre 2,5 et 5,0 USD/h. Maya-S place les experts chauds sur la carte et lit les autres depuis la RAM ou le NVMe. Plus de mémoire proche, plus de vitesse. Le chiffre exact sur une H200, nous le mesurerons : Maya ne le publie pas.
API et limites
Le serveur parle OpenAI sur http://127.0.0.1:8080/v1 et Anthropic sur /v1/messages, avec tool calling et images. Au démarrage, Maya réserve presque toute la RAM libre pour les experts. Les recipes sont reference : aucune session SophyAI, aucun tok/s à nous, launchable=false.
Le drafter optionnel DFlash2 est en CC BY-NC-ND 4.0. Les profils du catalogue ne le téléchargent pas. Les profils Strata sur une 5090 et une PRO 6000, dans l'autre article, sont le même runtime sur le palier de prix le plus bas.