新手本地LLM折腾分享
本帖最后由 秦南瓜 于 2025-2-13 10:50 编辑前情提要 https://www.chiphell.com/thread-2669938-1-1.html
我先买了2080ti 22G *2 试试水，只玩推理，不考虑训练。
先前我有两个搜索不到答案的疑问，折腾下来都有了答案。
可能在专业人士看来是常识，作为小白真的搜不到也问不到，所以还是发出来吧，方便新手们[恶魔]
我目前就用了windows下ollama和lm studio两种相对而言比较傻瓜的方式玩，还没整其他环境。
1，deepseek r1 70b q4量化版本，模型大小40G，我寻思2080ti 22g*2，44g，能塞下吧？总不会溢出到内存了吧。
然后ollama跑的时候，还是会有一小部分溢出到内存，导致cpu也参与了7%的运算（如下图 ollama ps命令，不知道为啥模型这边显示46g。。正常情况下显存足够的话gpu是100%，cpu是0%）
这个情况下，双2080ti 22g，实际速度只有7.5token/s左右，到达不了tu102的满速10+ token/s，
不开nvlink的话，只有单卡gpu参与推理。插上nvlink桥，两张卡的gpu都能参与推理。但实际速度也没啥差别。都是7~8token/s。
肯定是不如张量并行，这个我接下来玩玩vllm再试试~
然后再到lm studio里面，gpu offload拉满，ollama ps下看，cpu4%，gpu96%，相比ollama稍微好点。速度能到8.3token/s，但仍未达到RTX8000（TU102 48GvRam）的10+ token/s
2，我尝试了4090+2080ti 22g组合，解答了我先前一个疑问：
【是否可以不同型号的显卡插在同一个机器上一起跑LLM推理？如果可以的话，其中性能较低的卡是否会造成瓶颈？】
果然没便宜可占。。。4090+2080ti，就算推理在4090上跑，速度也仍然只有10token/s。这边速度卡着tu102的10token/s（24+22g比上面44g大了2g，模型就不溢出到内存了。速度也就正常了。草）说明瓶颈还是在更弱的卡上面。所以拿4090跑推理，插多张便宜2080ti当显存池的想法也破产了。更高级别的卡混在低级卡里面纯白搭
。
所以最快的办法还是4090 48G，保证不要溢出到内存里即可；
便宜的下位替代还有W7900 48G 本帖最后由 秦南瓜 于 2025-2-13 11:02 编辑
KimmyGLM 发表于 2025-2-13 10:54
所以最快的办法还是4090 48G，保证不要溢出到内存里即可；
便宜的下位替代还有W7900 48G ...
409048g确实可，但目前价格&性能平衡的比较好的应该是双3090方案，推理速度相比双4090弱了不到20%，价格就双4090或者409048G的30~40%
w7900我之前搜到一篇文章，那个老哥双w7900，但在prompt processing阶段。。。被4090啥的倍杀。性价比也还不错
https://blog.hjc.im/dual-w7900ds-llm-preliminary-experience.html 秦南瓜 发表于 2025-2-13 10:58
409048g确实可，但目前价格&性能平衡的比较好的应该是双3090方案，推理速度相比双4090弱了不到20%，价格 ...
惨，显存方案跑LLM，目前哪家都不便宜，而便宜的方案一定是有代价的.....
还是当垃圾佬再研究CPU玩玩吧 KimmyGLM 发表于 2025-2-13 11:01
惨，显存方案跑LLM，目前哪家都不便宜，而便宜的方案一定是有代价的.....
还是当垃圾佬再研究CPU玩玩吧 ...
我刚看了下文章，编辑了。text generation阶段w7900表现可以的， 没在命令行看，在任务管理器看，不知道准不准
同样是32B，LM Studio全部放的进显存，3t/s左右
ollama不知道算不算溢出到内存，4t/s左右
下载途径不同，两个32B的模型应该不完全一样
还有LM Studio稍微调过一些设置，ollama默认设置
拉长上下文肯定会溢出
但是默认的2048屁都干不了
聊两句就把之前的东西忘了 这个有点高端了 本帖最后由 秦南瓜 于 2025-2-13 11:11 编辑
agrant 发表于 2025-2-13 11:03
没在命令行看，在任务管理器看，不知道准不准
同样是32B，LM Studio全部放的进显存，3t/s左右
ollama不知道 ...
32B Q4量化 会吃21g显存，Q5量化会吃23G显存
你这个 3~4token/s太慢了，很显然是cpu在跑。。gpu只吃了显存，核心没怎么参与跑推理
A4000 16G显存玩14B性能表现会很好，虽然14b会笨不少，但32b也没聪明多少哈哈哈 manwomans 发表于 2025-2-13 11:08
拉长上下文肯定会溢出
但是默认的2048屁都干不了
聊两句就把之前的东西忘了 ...
是的。。。还是得加卡！！！！ 据说满血m4 max跑70b速度很快，毕竟带宽500多GB/s[偷笑]，价格3个W 秦南瓜 发表于 2025-2-13 11:10
32B Q4量化 会吃21g显存，Q5量化会吃23G显存
你这个 3~4token/s太慢了，很显然是cpu在跑。。gpu只吃了显 ...
嗯嗯，试试向上够不够得着跑32B，仅仅能跑，但是太慢，估计只能退一步跑14B了
图个折腾[傻笑] agrant 发表于 2025-2-13 11:19
嗯嗯，试试向上够不够得着跑32B，仅仅能跑，但是太慢，估计只能退一步跑14B了
图个折腾 ...
折腾才是乐趣，越狱模型花样不少的 2080ti 22G *2 走vLLM不知道有没有机会不爆显存，如果能实现张量并行，也许能突破10t/s 威廉第三 发表于 2025-2-13 11:22
2080ti 22G *2 走vLLM不知道有没有机会不爆显存，如果能实现张量并行，也许能突破10t/s ...
可能有机会。。。待我再摸索摸索。
张量并行两张都跑满那必然是远超10t/s 港城钢铁侠 发表于 2025-2-13 11:18
据说满血m4 max跑70b速度很快，毕竟带宽500多GB/s，价格3个W
[恶魔]下一步换双3090了。四分之一价格达到17token/s，自己玩玩嘎嘎够了 秦南瓜 发表于 2025-2-13 11:25
下一步换双3090了。四分之一价格达到17token/s，自己玩玩嘎嘎够了
[偷笑]别忘了功耗也起飞了，说实话，真要自己部署并且7*24小时开着我肯定选苹果 港城钢铁侠 发表于 2025-2-13 11:29
别忘了功耗也起飞了，说实话，真要自己部署并且7*24小时开着我肯定选苹果 ...
功耗问题不大。不太在意。。
家里空调365*24的，电脑洒洒水啦[恶魔] 秦南瓜 发表于 2025-2-13 11:30
功耗问题不大。不太在意。。
家里空调365*24的，电脑洒洒水啦
[偷笑]活捉大土豪。正常家里这两个设备的7*24开机的话电费差距每年几千块了 训练的代码难度高么，我们研发说要自己训练，不知道是不是忽悠老板，拖。
训练的硬件显存就翻好几倍，给硬件的找事啊 nagashinn 发表于 2025-2-13 11:55
训练的代码难度高么，我们研发说要自己训练，不知道是不是忽悠老板，拖。
训练的硬件显存就翻好几倍，给硬 ...
企业业务训练需求的话。租云算力呗。搞硬件实在是不划算
秦南瓜 发表于 2025-2-13 11:56
企业业务训练需求的话。租云算力呗。搞硬件实在是不划算
我现在是质疑研发的能力啊 港城钢铁侠 发表于 2025-2-13 11:18
据说满血m4 max跑70b速度很快，毕竟带宽500多GB/s，价格3个W
快个鸡毛，最多也就10t/s的水平
uprit 发表于 2025-2-13 12:13
快个鸡毛，最多也就10t/s的水平
【便携式70b级本地独立AI时代的到来-128G 满血M4Max Macbook-穿越必备-哔哩哔哩】 https://b23.tv/g86ffzQ
B站up自己测的20Token/s怎么说？ 港城钢铁侠 发表于 2025-2-13 12:44
【便携式70b级本地独立AI时代的到来-128G 满血M4Max Macbook-穿越必备-哔哩哔哩】 https://b23.tv/g86ffz ...
卧槽。能到20t/s？！！！心动了 港城钢铁侠 发表于 2025-2-13 12:44
【便携式70b级本地独立AI时代的到来-128G 满血M4Max Macbook-穿越必备-哔哩哔哩】 https://b23.tv/g86ffz ...
Q8量化6.76token/s
Q4量化10token/s
港城钢铁侠 发表于 2025-2-13 12:44
【便携式70b级本地独立AI时代的到来-128G 满血M4Max Macbook-穿越必备-哔哩哔哩】 https://b23.tv/g86ffz ...
除非这个up截个图。俺看到的满血M4max跑32B也才约22t/s，70B模型大一倍，不太可能到20t/s。
这么折腾，不如去腾讯云注册一个用户，花很少的钱就能跑满血的deepseek r1 dikuf001 发表于 2025-2-13 12:57
这么折腾，不如去腾讯云注册一个用户，花很少的钱就能跑满血的deepseek r1
越狱模型，涩涩 秦南瓜 发表于 2025-2-13 12:53
Q8量化6.76token/s
Q4量化10token/s
看来就是10t/s了，那个Up主乱报数据了。不过10t/s个人用也还行了