随着开源LLM越来越成熟，业务接入LLM推理也成为必然，如何选模型大小和显卡，主要看下面这些。
一、选GPU显卡
在选择显卡进行大型语言模型推理时，主要要看下面几个指标：
1、 VRAM（视频随机存取存储器）：
VRAM 的容量直接影响您能够加载的模型的大小。大型语言模型需要大量的内存来存储权重和进行计算。
至少12 GB VRAM 是推荐的起点，更大的模型可能需要 24 GB 或更多。
2、 CUDA核心数
CUDA核心数越多，表示 GPU 在执行并行运算时的能力越强。
大量的 CUDA核心有助于提高处理大型神经网络的速度。
常见显卡的配置及价位
以下是一些常见 NVIDIA 显卡系列的比较表，主要依据 VRAM 容量和 CUDA 核心数量这两个关键指标。
请注意，这些值是每个系列中典型型号的数据，并不代表每款具体显卡的全部配置。
| 显卡系列 | 典型示例 | VRAM (GB) | CUDA核心数量 | 价位及定位 |
|---|---|---|---|---|
| GTX 16 | GTX 1660 Ti | 6 | 1536 | 1K左右，没有 Tensor核心，低端游戏和基本计算。 |
| RTX 20 | RTX 2080 Ti | 11 | 4352 | 2～3K，高端游戏和基本AI/ML应用。 |
| RTX 30 | RTX 3080 | 10 | 8704 | 3～4K，高性能游戏和专业级AI/ML应用 |
| RTX 40 | RTX 4090 | 24 | 16384 | 2W左右，极端性能游戏和顶级AI/ML应用 |
| Tesla A100 | Tesla A100 | 40/80 | 6912 | 10W+， 数据中心，高性能计算和深度学习 |
| H100 | Hopper H100 | 80 | 16896 | 10W+， 超高性能计算，AI研究和数据分析 |
--
上表中 Tesla A100 的 CUDA 核心数小于 RTX 4090，但这并不意味着在大数据运算中更好。
- A100内存容量和带宽更大；
- A100 的张量核心（Tensor Cores）和稀疏张量核心（Sparsity-enabled Tensor Cores）专为 AI 和机器学习计算优化，提供了比传统 CUDA 核心更高的效率和吞吐量；
- A100 可以虚拟化为多达七个独立的 GPU，允许多个任务同时在一个物理 GPU 上高效运行。
A100 在需要大规模并行处理和高速内存的环境中，具有 4090 不可比拟的性能优势。
二、选模型大小
从模型尺寸来说，不同尺寸的模型对显卡的概略需求如下：
| 模型参数 | 推荐硬件 | 典型显存需求 | 使用场景 |
|---|---|---|---|
| 2B（20亿参数） | 笔记本及部分高性能手机 | 适用于低规格设备，需模型剪枝和量化 | 优化后的低端设备推理 |
| 7B（70亿参数） | 消费级GPU，如NVIDIA RTX 2070或2080 | 8GB至10GB | 适用于普通消费者的中等规模模型 |
| 70B（700亿参数） | 高端GPU如NVIDIA RTX 3090，A6000 | 24GB及以上 | 需要高端设备的大规模模型，适合推理优化 |
| 400B（4000亿参数） | 多GPU或专用AI加速器如NVIDIA DGX系统 | 多个GPU，每个GPU具有高内存容量 | 需要数据中心级硬件的极大规模模型 |
--
这些硬件需求会随着模型优化技术的进步而变化。例如，通过模型压缩和高效的推理框架，可以大幅降低运行大型模型所需的资源。
总结
从上面的配置和价格看，业务要接入本地LLM推理，目前最合适的选择应该是：
- 7～8B的模型；
- 消费级GPU： RTX 20～30 系列的显卡， 2～4K的费用。
