GLM-5.2的磁盘流式推理方案
karminski3 · x · 2026-07-14
这条帖子的重点不是模型能力本身，而是如何用 25GB 内存跑一个超大 MoE 模型。
作者先解释为什么直觉上不可能：GLM-5.2 总计 744B、激活参数 40B，哪怕只算激活部分，8bit/4bit 量化也会带来很高的内存压力，而且如果每个 token 都去读磁盘，速度会被 NVMe 带宽卡死。
他们的做法是把模型拆开：
- 常驻内存：注意力、共享专家、embedding 等稠密部分，约 17B，约 9.9GB
- 按需加载：约 21,504 个路由专家（约 370GB）全部放磁盘，推理时流式加载
- 缓存策略：per-layer LRU + 热点 pin + 系统页缓存当 L2
- 预取优化：实验性的 router-lookahead（PILOT），用当前层状态预测下一层路由，预测可达 71.6%
- 投机解码：结合 GLM 自带 MTP，接受率 39–59%，一次 forward 可输出 2.2–2.8 tokens
结论是：如果没有显卡、但有较强的 NVMe/磁盘阵列，这套框架值得尝试。
所属事件:COLIBRI方案实现25GB内存跑744B大模型(3 条相关)→
「Infra」频道最新
- 一天烧完两次 ChatGPT 额度，网友造新词「老黄—奥特曼定律」 — yihui_indie · 2026-09-11
- AI 消耗量分三波浪潮：2026 年 2 月 Agent 用量已超人类 — AccBalanced · 2026-09-11
- 英伟达已成主流 Robotaxi 栈核心：训练仿真车载计算全覆盖 — pdamodaran · 2026-09-11
- AI 工程师必懂的 12 种 KV Cache 压缩技术一文讲透 — blaizedsouza · 2026-09-11
- 影子算力市场走向台前,Meta 对外出售过剩 GPU 算力成标志性信号 — DavidLinthicum · 2026-09-11
- 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