开源推理引擎可在消费机跑744B模型
kalyan_kpl · x · 2026-07-13
介绍了开源、纯 C、零依赖的推理引擎 Colibri：它可以在普通消费级机器上运行 GLM-5.2（744B MoE），做法是把 MoE 专家从 NVMe 磁盘流式加载，而不是把完整模型常驻内存。
这条帖子强调的看点不是“更快”，而是让前沿大模型更接近 commodity hardware：
- MoE 专家流式加载
- speculative decoding
- KV cache 压缩
- CPU-first 运行
- OpenAI 兼容 API 服务
作者把它总结为一个典型例子：算法和系统层创新可以显著降低前沿模型的部署门槛，即使推理速度仍比 GPU 服务慢。
「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