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。

 

 

 如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓