744B GLM可在25GB内存上跑
rohanpaul_ai · x · 2026-07-10
帖子演示 GLM-5.2 这种 744B MoE 模型可以在 25GB 内存的消费级机器上运行，但速度非常慢。
核心原因是 MoE 只会为每个 token 激活约 40B 参数。作者解释了 Colibrì 如何把密集张量留在内存中，把路由专家放在本地 NVMe 上，并通过 LRU 缓存、页缓存复用和压缩 KV cache 降低内存压力；代价主要是磁盘带宽和缓存命中率决定了延迟。
所属事件:744B GLM-5.2模型可在25GB内存本地运行(5 条相关)→
「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