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
- Nature Physics 论文：可重构折射率实现对多模波传播的任意控制 — MarioKrenn6240 · 2026-10-27
- 分析师实测 RTX Spark 笔记本：满载跑 30B 模型风扇不吵、续航出色 — Scobleizer · 2026-10-27
- Reflection AI的Beam-1.0登顶美国开源权重模型：23B激活参数逼近Qwen3.8 — ryanshrout · 2026-10-27
- 239GB 机器人数据集重传仅走 2.6MB：petabyte 级训练数据管道揭秘 — mervenoyann · 2026-10-27
- Intel 宣布收购 Classiq,打造全栈量子计算平台 — BenBajarin · 2026-10-27
- 分析师：蚂蚁自建数据中心与自研推理芯片将进一步抬高利润率 — BenBajarin · 2026-10-27