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。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

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。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝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】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

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。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉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。

👉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】🆓