全精度大模型能否靠流式推理跑起来
HumanDrone8721 · reddit · 2026-07-19
有人询问：NVIDIA TensorRT-LLM 或类似 DeepSpeed 的流式框架，是否真的能在VRAM + 系统内存都装不下完整权重的机器上，跑未量化、未修改的 MoE 模型。
问题的重点不是模型本身，而是这些“伪统一内存/流式加载”方案在真实环境中的可用性与性能：是否有实际成功案例，延迟和吞吐大概如何，以及它们是否能超出学术演示场景，落地到日常推理。
「Infra」频道最新
- 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
- 7900 XTX 24GB 能否跑 Qwen，Reddit 征集 ROCm 实测数据 — thenomadexplorerlife · 2026-09-11
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- SF Compute 创始人：现在买算力是「绝对糟糕的体验」 — IgorCarron · 2026-09-11
- 开源 SmolVM:2026 年 Agent 不止用浏览器,而是拥有整台电脑 — aniketmaurya · 2026-09-11