AI 本地化部署的方式

都半斤八，最後都要老老上 api

超微 7049 128g 内存 2080ti22g * 2 pve+Ubuntu + vllm 部署了 千问 30b

本地化部署的是不是都是“弱智”AI ，有实际应用价值不

多少 B 的？ 本地部署大语言模型纯降智成智障，还不如接 api 真的，花点钱还省了多少电费

在 16G 内存的 i5 6500 上跑过 十几 b 的模型，反应速度还行。

本地就 ollama 玩玩就行了啊。又或者 xinference 之类的可以部署其他格式的模型。

本地聊天的那种没意思。

生成图片视频的还不错，但是对设备的要求太高

用来做量化交易用应该不错吧

cnb 每个月可以白嫖 1600 核时，h20 的 gpu ，可以跑 gpt-oss:120b ，挺好的

@byby 很多场景还是需要本地化的（涉密信息、能完全控制 api 的方式以后停用、收费），设备不用担心有需要就肯定有钱买，主要是看 ai 模型的效果如何

@visper 我现在玩的就是 ollama 感觉可用性太低了，我电脑性能也不太行

@davidyin 也是用的 ollama 吗

@totoro52 qwen3:4b ，测试用的 我只是验证可行性

本地部署的意义是什么？即使你有隐私的考虑，租服务器也好很多

@youtubbbbb 有些涉密内容的知识库或者公司内部的一些东西，不能公开的

8b 可以稳定工具调用了，20b oss 能用用。硬件可以考虑 ai pc ，32g 统一大内存足够，2/4 通道板载内存速度够用。

@silomrelephant 我这够吗？
<img src="https://i.mji.rip/2025/09/12/876a350e56245a7659d2ca98b33874d8.png" alt="876a350e56245a7659d2ca98b33874d8.png" border="0">

@silomrelephant 搞了半天这个应该能是图片了吧
https://imgur.com/a/aX4bsr3

[Imgur]( https://imgur.com/wXEtddV)



@wenkgin cpu 应该问题不大，没研究过这个 r9 ，目前主要瓶颈看内存速度，成品机 ai pc 板载 ddr5 多通道的，一般比自己组的速度高很多，自己找大模型算一下 token 每秒多少

本地部署性能有点跟不上，我在本地跑的 15b phi4 用来进行编程，感觉上下文长度限制很大，经常写着写着就忘了要干什么，总之很不好用。如果有哪位大佬本地调好了请指点一下。
在三个配置上都试了：
1.台式机，14900K+256GB 内存，使用 cpu 跑
2.笔记本电脑，14900K+64G 内存+4070
3.服务器，至强 6138*2+512G 内存+3080-12GB*4

@8o8 #23 我们可以交流交流 我现在编程 部署的 30b 感觉够用

@8o8 都有第三个平台了为什么跑 phi4 这么上古的模型 还是个 14b 的

@8o8 都有第三个平台了为什么跑 phi4 这么上古的模型 还是个 14b 的 按说这能跑 qwen3-coder:480b

@wenkgin
是的

有没有那种本地部署，家用 pc 也能带的动的翻译模型？

说实话, 本地部署唯一有点用的就是翻译

翻译说实话确实不需要太大模型, 8b 就行了

其他的还是算了, 真想干点活, 还得上 api, 除非你有能力部署那种满血 deepseek, 那是另一回事

lm studio 操作界面友好些

@wenkgin 内存小小，带宽小小，只能找 [激活参数 < 5B] 的模型的 4bit 量化了。

Qwen3-Next-80B-A3B 系列、Qwen3-30B-A3B-2507 系列、ERNIE-4.5-21B-A3B-Thinking 、SmallThinker-21BA3B-Instruct 这些都能在低配置玩，里面的 A3B 的意思就是激活的参数只有 3B ，4bit 量化后 DDR4-3200 双通道的带宽 50GB/s 左右也能跑个 15token/s 左右（单人勉强用），像锐龙 AI Max+ 395 的 256GB/s 的内存带宽就能跑个 55token/s 左右。

其实本地模型现在已经很能打了，从 Mixtral-8x7B 开始打 ChatGPT3.5 的时候 MoE 架构模型应该成为主流，可惜国内一直没怎么跟，直到 DeepSeek V2.5 V3 R1 这些出来国内才跟进大搞 MoE 模型，今年出的模型都是 MoE 为主的了。

而且模型越大提升的能力分数并不是线性增加的，关注现在的模型跑分就能得出结论，就像前几天的 Qwen3-Max-Preview ，1000B 的参数，比自家 Qwen3-235B-A22B-2507 多了 765B ，这个差距差不多能塞一个 DeepSeek + gpt-oss-120b 了，然而性能提升连 10%都没有，所以现在选模型有点像玩游戏选个甜品卡那样，根据你的任务难度和硬件选一个合适的模型（你的任务里跑分高的）就行了。

你这个硬件看起来像是个笔记本带个小显存的 N 卡，模型从上面 A3B 里挑一个，部署方案首选 https://github.com/kvcache-ai/ktransformers （合理分配好模型活跃的专家到 GPU 跑得快点），次选 LM Studio 这种傻瓜式部署方案

@wenkgin 这种情况下用私有云的集成方案就好了，没必要自己手搓，ai infra 的成本还是挺高的。

@shuimugan ktransformers （合理分配好模型活跃的专家到 GPU 跑得快点）

请问，这个项目的加成能有多少？我找不到相关（目标硬件和模型）性能测试

假定是家用平台：DDR5 6400 256G RAM ，A770 16G * 2

内存带宽 102GB/s ，单卡显存带宽 560GB/s,这两张卡的带宽能叠加吗？能把上下文和激活专家平均放在两张卡上，相当于 1120GB/s 带宽？

Qwen3 235B ，int8 ，激活参数 22GB ，加上下文，应该能放在 32G 显存里？假定不发生专家交换，也无法叠加显存带宽，这时理论速度应该有 560/22=25.5 token/s ，跑 Q4 量化就有 50t/s 。可一旦发生专家交换就崩了吧，掉到 4-5t/s ？

我是想知道这套硬件跑 235b 实际平均速度到底会怎样，Intel 那个 ipex llm 项目，有人问测试分数，开发人员回应说保密……保密…………Intel 咋还没倒闭

@shuimugan 好吧，刚才 ipex llm 项目下面看到一个 4 张 a770 ，Q3 量化的 235b ，只有 2.99 t/s ，这是哪里没搞对吧，GPU 显存 64G ，完全没利用到

@mewking 22B 的 Q8 量化加上 KV Cache ，32G 显存还真不一定放得下，你可以用这个 https://smcleod.net/vram-estimator/ 算一下。带宽的话叠加不了，一般是计算分层，Q4 量化推理速度都不一定能到 30 ，我肉眼看 https://github.com/intel/ipex-llm/blob/main/docs/mddocs/Quickstart/flashmoe_quickstart.md 这里的 gif 估摸着单卡速度也就 12token/s 的样子，这个配置还是跑新出的 Qwen3-Next-80B-A3B 系列实在，和 235B 的百分比差距很小了

@shuimugan 这个链接我是看了，所以说 Intel 活该卖大楼，一个 demo gif ，分辨率低的看不清，也不公布具体配置，还说测试数据需要审计不能公布。那个 demo 可能用了志强，8 或者 12 通道，再来个 amx 加速，桌面级 cpu 和 ddr5 双通道比不了

如果跑 Qwen3-Next-80B-A3B int8 ，是不是单单 96G DDR5 6400 就够了，不用 256G 和独立显卡吧？

102/3 = 34 tokens/s

如果 Q6 量化更快，还能留出更多内存给上下文？


我还没买硬件呢，不然就自己实测了。现在 a770 价格比三年前还高，b770 也马上来了，可能还有铭那个 B60 ，ddr5 价格也涨了不少。如果 80b 和 235b 差距不大，那省不少钱呀

@mewking 如果跑 Qwen3-Next-80B-A3B 的 int8 ，单 96G DDR5 6400 确实够了，但是这个系列分推理和非推理模型，我日常是 2 个模型都会常驻的，如果你也像我一样操作那 96G 内存就不太够。

但是如果你仔细观察 Qwen3-Next-80B-A3B-Thinking 的跑分，会发现它比 Qwen3-30B-A3B-2507-Thinking 提升也不到 10%……估计你手头现有硬件都能跑了。

这些跑分提升不到 10%是什么概念？我最近用这些模型来测编程能力，发现了一个很有趣的现象，理论上大模型现在写 python 、Javascript 能力最好，但是 golang 因为关键字就 25 个，特性也少足够简陋，所以 Qwen3 这 30B 级别的模型写出来的 golang 代码居然和更大更顶级的模型差距非常小，准确度超级高

@shuimugan 所以，就是尽量拆解问题，尽可能缩小和封闭空间（相当于减少关键字），想错都难，但这样也就跟写伪代码差不多了，模型差不多就是补全一下。ruby 那种花样繁多的可能容易 gg

@mewking 也不能说写伪代码，正常提需求是可以的，举个例子
https://chat.qwen.ai/s/e80b06a7-f08b-4c10-b556-ab71b158a0b1?fev=0.0.208 30B 参数写的

https://chat.qwen.ai/s/1a84cca6-4818-43fc-a131-24b48bbc7d41?fev=0.0.208 80B 参数写的

https://yuanbao.tencent.com/bot/app/share/chat/Ua8dLAdHJBHj 671B 参数写的，还开了推理

几乎没差别，但是你把问题换成其它编程语言看看？
https://chat.qwen.ai/s/0d258b03-a808-415b-8523-a76b33ba27a9?fev=0.0.208

这里一下用 3 个模型同时回答，只有 480B 的 Qwen-Coder 意识到高性能要用 asyncio ，写出来的代码能跑，但是也有 2 个语法问题：finally 代码块里的变量作用域不对。

Amd7h12+3090*2+8*128 ktransforms 满血版 r1 很慢，现在 llama.cpp 双卡跑 seed-oss-32b

有没有交流群，想学习下