很多人想部署大模型，比如 GLM、ChatGLM、DeepSeek、MiniCPM，一到实际部署就开始发愁：

• 到底要不要 3090？用 A10 行不行？

• 这个模型说自己是 7B，我电脑够吗？

• 为啥有的说 13G 能跑，有的一跑就爆显存？

其实这些都不是玄学，只要你搞清楚：模型有多大、怎么压缩、你准备怎么用，机器需求是能算出来的。

给大家一个计算显存的公式：

显存 ≈ 参数量 × 精度字节数 × 1.5~2（考虑运行中额外占用）

一、先把问题拆开：我们到底要算啥？

按照 Agent 的思路，我们先把“部署一个模型”这件事拆成几个具体小问题：

1.你准备用哪个模型？它有多少参数？（比如 7B 是 70 亿）

2.你准备用什么精度来加载？（FP32、FP16、INT8、INT4）

3.你是用来“推理”还是“训练”？是在本地部署还是服务部署？

4.你是“整模型一次性加载”，还是“分块加载”或“KV缓存”？

拆清楚这几步，我们就能开始估算了。

二、参数量是什么意思？7B、9B 到底有多大？

现在很多模型名字后面都有个 “7B” “9B” “13B” 的后缀，它其实是模型的参数量，比如：

• 7B = 7 Billion = 70 亿个参数

• 9B = 90 亿个参数

• 13B = 130 亿个参数

每一个参数，占多少字节（空间），取决于你用什么精度来加载模型。

精度	每个参数大小	描述
FP32	4 字节（最精确）	用得最少，占空间大
FP16	2 字节	一般模型默认用这个精度加载
INT8	1 字节	量化压缩常用
INT4	0.5 字节	极致压缩，压缩比高但可能影响效果

什么叫模型有 “70 亿个参数”？

简单说：

模型的参数 = 模型“大脑”里的“记忆点”
就像人的神经元连接，大模型也是靠这些参数来“记住知识”、“判断语言”、“做决策”。

举个例子：

你可以把一个大模型想象成一张“超级表格”或一个“超级公式”，它靠 70 亿个“旋钮”来调节自己的判断方式。

每个“旋钮”= 一个参数

模型训练的时候，就是不断调这些旋钮，直到：

• 它知道“西红柿炒鸡蛋”是菜谱

• 它知道“明天要下雨”是预测天气

• 它知道“for i in range()”是 Python 语法

FP32、FP16、INT8、INT4 到底是什么？

这些是模型的参数精度格式，简单说就是：

模型每个参数，用几个字节来存。

你可以把它想象成记笔记：

精度格式	每个参数用的空间	类比
FP32（单精度浮点数）	4 个字节（32位）	记得最详细、最精准，就像你记了一整篇说明书
FP16（半精度浮点数）	2 个字节（16位）	精度降低一半，但也省空间
INT8（8位整数）	1 个字节（8位）	只记大概意思，就像“划重点”
INT4（4位整数）	0.5 个字节（4位）	精简再精简，就像你只画了几个关键词

举个例子：记“苹果这个词”

假设你要让模型记住“苹果”这个概念：

• FP32（最详细）
  模型记住了苹果的颜色、口感、品种、生长周期……一堆信息，占用空间大。

• FP16（一般精度）
  模型只记住苹果是水果、红色、常见，去掉了很多细节。

• INT8（压缩版）
  模型只记住“水果 → 苹果”这个关联，别的都省略了。

• INT4（极限压缩）
  模型只留一个“代号”，靠逻辑自己还原出来，节省空间最大，但可能记错。

三、那 GLM-9B Chat 这个模型到底多大？

如果是GLM-9B Chat 模型，有 90 亿参数。

如果你用 INT8 来加载，它每个参数占 1 字节，那就是：

90亿参数 × 1 字节 = 9GB

但模型运行还需要 KV cache、加载上下文等额外内存开销，粗略估算：

GLM-9B Chat（INT8量化）部署后运行总占用 ≈ 18GB 显存/内存

四、实际部署时机器该怎么选？

使用场景	模型大小	精度	建议显存
本地推理	7B 模型	INT4	6–8G 够用（如 3060/4060）
服务部署	7B 模型	INT8	建议 16G（A10、4090）
多用户请求	13B 模型	FP16	最少 24G（3090、A100）

五、最后总结一句话：

模型大小 = 参数数量 × 精度字节数
机器配置 = 模型大小 × 运行场景开销系数（一般乘 2 倍）

你不需要每次问别人“这个模型能不能跑”，只要你知道它有多少参数、你打算用什么精度，就能大致推出来了。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】