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
- Galaxy S26 纯端侧跑 MiniMax H3：7 分钟生成 5 秒带音频视频 — BidFunny4862 · 2026-10-27
- Unconventional AI 收购 NeuReality,冲刺算力效率提升 1000 倍 — NaveenGRao · 2026-10-27
- 马斯克断言:机器人 RAM 需求将超其他一切,超级智能算力将移向深空 — elonmusk · 2026-10-27
- RTX 5090 卖到 7000 美元，PC 游戏社区集体否认 AI 热潮 — PAstynome · 2026-10-27
- Wan2GP 上架 Pinokio：6GB 显存一键跑 AI 视频生成 — cocktailpeanut · 2026-10-27
- AWS 详解 Agent 提示缓存：显式+隐式双模式省下重复 token 账单 — AWS ML Blog · 2026-10-27