Loading...
← AIPG News
开源 84 / 100 08-04 08:44

AirLLM:让70B/405B/671B超大语言模型在一块4GB显卡上跑起来

无需量化或剪枝,AirLLM 让 70B 模型在 4GB 单卡上运行,并新增支持 2.8T 参数的 Kimi K3,端到端显存仅 3.72GB。

AirLLM 是一个面向大语言模型推理的开源项目,核心卖点是在极低显存下运行超大模型。根据 GitHub 仓库 README,AirLLM 将 70B 模型推理的内存占用大幅降低,使其可在单块 4GB GPU 上运行,且无需量化、蒸馏或剪枝。项目在 GitHub 已获得 27.1k 星标。

支持更大规模的模型

  • 70B 模型:单块 4GB GPU
  • 405B Llama 3.1:8GB GPU
  • DeepSeek-V3(671B):约 12GB GPU
  • Kimi K3(2.8T):小于 4GB(端到端实测 3.72GB)

AirLLM 大幅降低推理显存占用,让 70B 大语言模型能在单块 4GB 显卡上运行,而且无需量化、蒸馏或剪枝。

最新更新:支持 Kimi K3(2.8T)

2026 年 7 月的更新显示,AirLLM 已支持 Kimi K3(2.8T),这是目前最大的开源模型。在单张 RTX 6000 Ada 上,端到端显存占用仅为 3.72GB。这一实现得益于 per-expert streaming:模型只加载 token 实际路由到的专家层,而不是整个层。

  • 安装 compressed-tensors
  • 安装 flash-attn(模型代码强制使用 flash attention)
  • 使用 CUDA 12 构建的 PyTorch(没有预构建的 flash-attn wheel)
对开发者来说,这意味着 MoE 稀疏模型的推理可能进一步下沉到消费级显卡,超大模型不再需要昂贵的大型 GPU 集群。AirLLM 的开源实现为这一路线提供了可复现的参考。

来源