Q4_K_M 估算
24.9 GiB
按 8,192 tokens 计算
FP16 估算
74.7 GiB
按 8,192 tokens 计算
建议显卡
1 × RTX 5090 32 GiB
模型架构
模型计算流程图
- 词嵌入 · 7168
- 60 层 · GQA
- 输出头 → token 分数
| 参数量 | 34,388,917,248 (34.39B) |
|---|---|
| 层数 | 60 |
| 注意力头数 | 56 |
| KV 头数 | 8 |
| 头维度 | 128 |
| 隐藏层维度 | 7168 |
| 最大上下文 | 4,096 tokens |
| 备注 | 按标准 Transformer 的 KV Cache 估算。 |
最低硬件要求与同系列对比
按批量 1、FP16 KV 缓存和 12% 余量估算。多卡按均匀分片计算,具体运行时需支持所选精度与设备。
| 设备数 | 模型所需总量 | 满足容量的最小设备示例 | 每台可用容量 |
|---|---|---|---|
| 1 | 23.84 GiB | RTX 3090 24 GiB | 24.0 GiB |
| 2 | 24.17 GiB | RTX 4060 Ti 16 GiB | 16.0 GiB |
| 4 | 24.84 GiB | RTX 3060 Ti 8 GiB | 8.0 GiB |
| 8 | 26.19 GiB | GTX 1050 Ti 4 GiB | 4.0 GiB |
量化对比
批大小 1 · FP16 KV Cache · 1 张卡 · 合计已含安全余量。超出模型最大上下文的列仅作假设,并以 * 标注。
| 精度 | 权重 | 合计 @ 4k | 合计 @ 8k * | 合计 @ 32k * | |||
|---|---|---|---|---|---|---|---|
| FP16 / BF1616.0005 bpw · FP16 GGUF 参考 | 64.06 GiB | 73.63 GiB | 74.68 GiB | 80.98 GiB | |||
| FP88 bpw · 名义位宽 | 32.03 GiB | 37.76 GiB | 38.81 GiB | 45.11 GiB | |||
| INT88 bpw · 名义位宽 | 32.03 GiB | 37.76 GiB | 38.81 GiB | 45.11 GiB | |||
| NVFP66 bpw · 名义位宽 | 24.02 GiB | 28.79 GiB | 29.84 GiB | 36.14 GiB | |||
GPU 架构与运行环境
| NVIDIA 架构 | 注意力实现 | 公开的环境要求或版本 |
|---|---|---|
| Ampere / Ada | FlashAttention-2 | CUDA ≥ 12.0 · PyTorch ≥ 2.2 · FP16 / BF16 |
| Hopper (H100 / H800) | FlashAttention-3 | CUDA ≥ 12.3 |
| Blackwell (B200) | FlashAttention-4 · CuTeDSL | PyTorch 2.7 提供支持 Blackwell 的 CUDA 12.8 构建 |
Transformers 版本按此检查点的模型卡选择。 模型卡 · 内核兼容性 · PyTorch 构建说明
按显存推荐的显卡
Q4_K_M、8k 上下文、批大小 1、FP16 KV Cache。按标称显存从小到大排列,只列出绿色结果。推理框架和精度是否支持,请另行确认。
1 × RTX 5090 32 GiB
含安全余量仍够用
1 × NVIDIA RTX 4500 Blackwell (32 GiB)
含安全余量仍够用
1 × NVIDIA RTX 5000 Ada Generation (32 GiB)
含安全余量仍够用
数据来源与核验
试试你的配置
任务设置
模型权重在显存中的存储精度。
上下文越长,缓存精度对显存的影响越大。
运行时设置Roofline 理论估算
硬件配置
输入参数
一次批处理的序列数。服务并发人数与吞吐量需另行实测。
高级 · 模型结构
- 层数
- 60
- 注意力头数
- 56
- KV 头数
- 8
- 每头维度
- 128
- 隐藏层维度
- 7,168
- 最大上下文(tokens)
- 4,096
性能与内存结果
显存估算
23.8 GiB 显存
按当前配置估算,计入安全余量后显存仍然够用。
估算 GPU 租赁 · $0.44/h · 单卡报价 × 卡数
- 生成速度
- ~31 token/s
- 每 token 间隔
- ~32.3 毫秒
- 首 token 等待
- ~0.618 秒
RTX 4090 24 GiB
Q4_K_M · FP16 KV
竖线 = 硬件可用显存
- 权重(Q4_K_M)19.59 GiB
- KV Cache(FP16)0.94 GiB
- 运行时开销0.75 GiB
- CUDA Graph 捕获0.00 GiB · 0.0%
- 安全余量2.55 GiB
框架开销细分
下列为可复核的规划分摊。实际驱动、算子库和分配器占用因运行时而异。
- 设备运行时与驱动
- 0.50 GiB
- 算子工作区
- 0.20 GiB
- CUDA Graph
- 0.00 GiB
- 分配器基础
- 0.05 GiB
- 其他运行缓冲与多卡通信
- 0.00 GiB
对比上下文长度
对比显卡容量
推理模拟
Yi-34B-Chat · Q4_K_M · RTX 4090 24 GiB
- 输入处理
- 0.62 秒
- 逐 token 生成
- 4.11 秒
- 预计总耗时
- 4.72 秒
点击播放,查看示例文本的输出节奏。
实测首 token 分位数与请求吞吐
常见问题
Yi-34B-Chat 需要多少显存?
按默认配置(Q4_K_M、8,192 tokens 上下文、批大小 1、FP16 KV Cache),估算需要 24.9 GiB(含安全余量)。这是估算值,不是实测保证。
为什么上下文长度会影响显存?
KV Cache 随上下文长度和批大小线性增长。对于分组查询注意力(GQA),我们按 KV 头数计算,并使用记录在案的 KV Cache 层数。
显示绿色就一定能跑吗?
不一定。绿色只表示估算显存(含安全余量)放得下。推理框架、精度支持、算子实现和运行时的显存分配都可能不同,请确认兼容性,并实际测一下你的工作流。
这些估算的依据是什么?
架构参数和文件大小可追溯到模型来源。精度表标明了 GGUF 实测位率、含块缩放的位率和名义位宽。Yi-34B-Chat 的源数据最近核验于 2026-11-20。显存估算以 GiB 计。