为了实现大模型的本地部署，应该怎么配置电脑硬件？

最近研究了大模型以及GPU服务器配置等问题。结论是7B-70B大模型最合适个人本地部署。以下是配置。

CPU：32-64核 （可降级，没有显存重要）。

内存：128GB - 512GB。内存一般在显存的两倍左右，显存不够，内存来凑。

硬盘：4TB - 12 TB SSD。

操作系统：Debian12 >= Ubuntu 24.04 LTS > Windows 11

重点是GPU。大模型时代，显存当然越大越好。但合理显存估算也很重要。以x B大模型y bit量化为例，推理的显存至少为x*y/8 GB。例如7B单精度（16bit）大模型至少需要14G显存，8bit量化至少需要8GB显存；70B单精度大模型需要至少140G显存，8bit量化至少需要70GB显存。405B单精度大模型需要至少810G显存，8bit量化至少需要405GB显存，4bit量化至少需要200GB显存。这里不推荐尬上4bit，精度损失严重，效果很不好。当然以上只是显存最小化估计，实际运行时，除了模型参数还需要考虑Context等因素，实际显存占用只会更高。

对于大模型微调，全量的话就要至少两倍的推理显存。当然可以采用PEFT 如Lora进行微调，实际上是对模型参数的稀疏化，这样需要的显存会大幅度下降，代价是最后出来的效果可能不太好，需要权衡一下。

总结一下，可以根据预算和显存需求选择以下GPU（预算只含GPU）。

• 预算1万以内：1 * RTX 3090 24GB
• 预算1-2万：1 * RTX 4090 24GB
• 预算3万：1 * RTX A6000 48GB， 2 * RTX 4090 24GB
• 预算5万：1 * RTX 6000 Ada，L40/L40s 48GB，2 * RTX A6000 48GB + NVLink
• 预算10-15万：2* L40/L40s 48GB，4 * RTX A6000 48GB + NVLink，2* RTX 6000 Ada 48GB
• 预算20-30万：2 * A100 80GB + NVLink，2* L40/L40s 48GB，4 * RTX 6000 Ada 48GB
• 预算30-50万：2 * H100 80GB + NVLink，4 * A100 80GB + NVLink
• 预算50-100万：4 * H100 80GB + NVLink，8 * A100 80GB + NVLink

对于比较拮据的朋友，使用单张3090/4090运行7-13B的大模型是不错的选择。但大模型时代，4090因为显存小，面临显存不足的问题，更容易过时。而且，由于再考虑多卡通信，大功率以及大尺寸等因素，组超过4张的多卡4090可能不太划算。

另外RTX 6000 Ada没有NVLink，但是通信可以走P2P。在服务器端，L40s可取代RTX 6000 Ada。L40s是被动散热，而RTX 6000 Ada相对安静，因此后者用在工作站中比较合适。

最后，不管是推理还是训练，多卡效率比单卡低很多，可能损失1/3以上的性能。预算高推荐上A100/H100。

我目前在使用双卡RTX 6000 Ada 48GB 工作站，比较适合70B 8bit量化的大模型，单卡可以运行70B 4bit版或7-13B 16bit版。以下是实测。

一、开源LLM

目前著名的开源大模型有Mixtral （Mistral AI），Llama （Meta）, Gemma （Google）等。

测试平台：双卡RTX 6000 Ada工作站。

测试Llama 3 7B 8bit量化大模型的显存占用大约为7.8GB。

Llama 3 7B 8bit

测试Mixtral 8x7B 8bit量化大模型的显存占用大约为51GB。

测试Qwen2-72B 8bit量化大模型的显存占用大约为75.6GB。

Qwen2-72B 8bit

Mixtral 8x7B int8量化版兼具速度与效果，很不错。

与Mixtral 8x7B的对话

二、Stable Diffusion

用Stable Diffusion实测单卡效率在H100的60%左右，可以跑最高分辨率2048*2048，显存占用在30GB左右。双卡算力和总显存应该稍胜H100。

   如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​