295B 模型跑进 16GB 显存
antirez · x · 2026-07-10
有人展示了把腾讯 Hy3 这个 295B 参数 MoE 模型跑在单张 RTX 4060 Ti 16GB 显卡上的方法。实现方式是通过 NeutronStar（基于作者的 CUDA 分支 ds4）保留注意力层和共享专家在显存中，并在每个 token 按需从 SSD 流式加载路由专家，从而让超大模型在约 400 美元的显卡上实现交互式聊天。
帖子还提到为此新增了 GQA attention 路径，并做了 ds4 原生的 2-bit GGUF，速度大约 1.8 tok/s。作者同时给出模型权重链接。
「Infra」频道最新
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11