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。

原文链接 →

「Infra」频道最新

• 卖掉 5090 换多机？一公司主拆解本地推理硬件扩展五套方案 — Anarchaotic · 2026-10-27
• AWS 教程:SageMaker SDK v3 搭建车队级边缘视觉模型流水线 — AWS ML Blog · 2026-10-27
• Embedl 把 Qwen3.8-27B 压进 Jetson Thor:解码 40 tok/s,精度反超 FP16 — No-Dragonfly6246 · 2026-10-27
• Celesto 推出便宜近 90% 的 CI Runner，兼做 Agent 云电脑 — aniketmaurya · 2026-10-27
• Supabase 联创谈 AI 时代后端：为十亿个 AI 生成应用而设计 — Latent Space · 2026-10-27
• AW-0 单卡 RTX 5090 推理 230ms:联合去噪比自回归代码快 2.4 倍 — trevordarrell · 2026-10-27

更多「Infra」频道 AI 资讯 →