---
title: "显存紧时先减并发还是换量化：简明指南"
url: https://memory.wiki/X7_y-vD6
updated: 2026-11-14T21:58:57.138Z
source: "memory.wiki"
---
# 显存紧时先减并发还是换量化：简明指南

## 「显存紧时先减并发还是换量化」背后的真正问题

先减并发，再动可能坏掉的量化。很多本地大模型的硬件讨论一上来就问买哪张卡。更好的起点是工作负载：你真正要跑哪些模型、能接受的量化等级、用户平时粘贴的上下文有多长、同一时间有几个人在用。把这几件事写清楚，购物清单才有意义。

## 先算内存预算

模型权重只是一部分。KV 缓存会随上下文长度和并发会话增长，推理程序自己也要占缓冲区，桌面环境在你加载模型前可能已经吃掉一部分显存。请记录冷启动后的实际可用显存，而不是包装盒上的数字。如果模型加上真实上下文放不下、还留不出余量，就会溢出到系统内存，变得很慢，任何参数都救不回来。这时可以对照[Mac 统一内存说明](https://microaione.com/hardware/mac/)，按参数量和量化等级来推算，而不是按营销档位。

## 平台和显卡一样重要

好显卡配弱平台是最常见的后悔。重点检查：

- 电源的额定功率和品质，为瞬时峰值留足余量，不只看标称功耗。
- 物理空间：显卡长度、厚度，以及供电线的弯折半径。
- 如果以后想加第二张卡，主板插槽的通道分配。
- 风道：侧板装上、室温偏高时依然通畅。
- 系统内存：足够同时放下系统、推理服务和嵌入模型，不触发交换。

## 新卡、二手卡还是统一内存

二手卡可以很划算，但要验：螺丝缺失、换过风扇、接口变色、短时间负载下温度异常，都是放弃的理由。苹果芯片走另一条路：统一内存意味着模型和系统共用一个池子，要给 macOS 和其他软件留足余量。迷你主机跑小模型、做展台没问题，前提是接受它的散热上限。无论选哪种，装机当天都要记录序列号、发票和照片。

## 合理的采购顺序

1. 用一段话写清工作负载：模型、上下文、用户数、使用时段。
2. 换算成带余量的内存需求。
3. 先定平台（电源、主板、机箱、内存），再定显卡。
4. 烤机至少半小时，同时看温度和日志。
5. 用自己的小评测集跑一遍，再宣布装机完成。

## 一个不编数字的例子

设想一个五人办公室，想做一个用于起草和文档检索的私有助手。他们先写下测试过的模型系列、在中英文问题上仍然表现良好的量化等级，以及平时粘贴的最长文档。据此估算出带充足余量的内存需求，并决定一张显存足够的卡比两张小卡更稳妥，因为后者会让配置复杂化。他们选了留有余量的优质电源、前进风通畅的机箱，以及足够同时运行嵌入模型的系统内存。装好后先烤机，检查温度和日志，再跑评测提示词。之后对外分享的每个数字都来自自己的实测，并在旁边写明方法。

另见[5000 元档配置](https://microaione.com/hardware/budget-5000/)。


## 速记要点

- 每次大版本模型升级后重新检查配置。
- 所有运行时共用一个模型目录。
- 检索文本和上传文件一律视为不可信。
- 公布助手会拒绝做的事。

*作者：[本地AI 1号网](https://microaione.com/)，深圳团队，专注本地大模型软硬件、装机与私有化部署。*

---

## Summary
当显存不足时应优先减少并发量，而非直接进行量化。硬件采购应基于模型权重、上下文长度与并发需求计算内存预算，并优先确保平台配置的稳定性。

## Themes
- Local LLM hardware optimization
- Memory budget planning
- System stability requirements
- Workload-first procurement

## Key takeaways
- Model memory requirements must include weights, KV cache for context, and buffer overhead.
- Actual available memory should be measured after cold boot rather than relying on marketing specifications.
- System memory must be sufficient to hold the OS, inference services, and embedding models to avoid swapping.
- A single GPU with sufficient VRAM is generally more stable and easier to configure than a dual-card setup.

## Insights
- Reducing concurrency is a safer first step than aggressive model quantization when facing memory constraints.
- Hardware procurement should prioritize the platform (power, cooling, motherboard) before selecting the GPU.
- Unified memory systems require careful management of shared resources between the OS and the model.

## Open questions / gaps
- What specific benchmarks or tools are recommended for measuring cold boot available memory?
- How should one calculate the exact memory overhead for specific embedding models when planning a build?

