AirLLM 靠分层流式加载,让 70B 模型跑进 4GB 显存
techNmak · x · 2026-10-03
35K star 的开源项目 AirLLM 无需量化、蒸馏或剪枝,就能在单张 4GB GPU 上运行 70B 大模型。
核心思路是改变权重进入显存的时机:
- 将 checkpoint 切成独立的层分片存放在磁盘上,用 PyTorch 的 meta device 创建完整 HF 模型(参数不占实际内存)
- 通过 hook 机制,在某层计算前才把该层权重从磁盘加载进 GPU,算完立刻移除;同时预加载下一层,实现流水线
- 因此整个 70B 权重无需同时驻留显存
对 MoE 模型更进一步:按 expert 粒度流式加载,只加载 token 实际路由到的专家。仓库称可在此方式下运行 2.8T 参数的 Kimi K3。
「Infra」频道最新
- AMD Loom 实测:Qwen3.5-4B 在 Radeon 890M 上 prefill 提速 2.6 倍 — jfowers_amd · 2026-11-19
- 开发者向 GKE 沙箱项目提 PR:定期 checkpoint 防 agent 进度丢失 — yoimnotkesku · 2026-11-19
- AWS Lambda 终于支持 GPU:托管实例可跑模型推理与媒体处理 — DavidWells · 2026-11-19
- 曝黄仁勋人为制造显卡稀缺抬价获利,库存积压仍维持高价 — GaryMarcus · 2026-11-19
- AWS AgentCore Identity 支持私有 CA,Agent 可直连内网自建 IdP — AWS ML Blog · 2026-11-19
- 爆料:中国秘密研发百万卡级无HBM训练集群,国产芯片架构存疑 — teortaxesTex · 2026-11-19