@lrigi 我测过啊，我有 2 张 2080ti 22g ，1 张 7900xtx ，1 个 Mac Studio M2 ultra 76 核 192G 内存。
你发的那个已经是 10 个月前的数据了，也不知道怎么测的，最近编码能力很牛的 Codestral 22B 6bit 量化在 2080ti 22g 都能跑 22 token/s 。而且 10 个月前海外还买不到 22g 的魔改 2080ti

跑大模型推理吃的是内存带宽和核心数，连频率都不怎么吃，显卡降低 30%的功耗也就少个 10%左右的速度。Max 那个带宽才 400GB/s ，只有 Ultra 一半， [用来跑大模型就是个垃圾] 。

买 Mac 跑大模型，优势是比买超大显存（指的是单张 48G 和以上显存）的显卡方便。你这才 64G 的配置，无论是二手魔改 2080TI 22G X3 的价格，还是全新 7900XTX 24G x3 的价格，加上其它硬件的费用，除了电费和体积没优势，推理速度和扩展性都能把 Max 按在地上摩擦。

具体被摩擦到什么程度呢？ Ultra 推理速度是 Max 的 2 倍，而多张 2080TI 22G 的速度是 Ultra 的 2~3 倍，这个波动是随着模型占用越大优势越小，毕竟多卡之间走 pcie 通讯也是有点损耗的。

要看历史发展的，十年前接的项目大部分是各种商城、CMS 、论坛，很多开源项目可以利用，套个模板加个插件改一改就上线了。
上线部署也很粗糙，大部分是 FTP 上传后刷新，版本控制都少。给客户演示时还能当场上服务器改代码，保存立马生效。
大部分人都不会断点调试，就在代码里 var_dump 变量然后 exit 结束脚本，然后回浏览器按一下 F5 看输出结果然后继续写。
密码加密不是 md5 就是 sha1 ，这些都是内置函数。
写 Java 的还在纠结 json 库用哪个，选了 Fastjson 就有福了，一部分人整天在升级版本修漏洞，另一部分连自己系统被干了都不知道，而 JSON 处理在 PHP 里也是内置函数。
写 Java 的还在头疼日期和时间戳之间的处理，PHP 一个万能 date 函数就解决 99%的场景了。
写 Java 的还在头疼 url 参数编解码、特殊字符转义，PHP 内置函数又搞定了。
写的代码运行出错，一行配置或者代码前面加个 @ 就能抑制错误继续跑，try/catch 都不用，要是写 Java 还在挠头哪来的空指针。
前后端没分离的项目，还在纠结模板引擎选什么，写 PHP 的在包含 HTML 文本 PHP 的代码中改得飞快。
写 Python 的还在吵 Django 和 Flask 到底要用哪个，吵完了发现怎么上线还要套 Gunicorn 之类好麻烦。
写 Ruby 的表示 Ruby on Rails 非常牛逼，就是语言小众招不到人。
写 Node.js 的还在回调地狱里出不来。

在那个年代写 PHP ，你就说快不快吧。

大概是 2008 年那会，对于 VMP 和 TMD 这种搞不定的壳，等程序完全加载到内存之后动态调试 + 内存补丁就通杀了，也不算难

CPU 跑大模型推理瓶颈就是在内存带宽，按 ddr4 双通道内存带宽为 30GB/s 的速度来算，7B 规格的 8bit 量化，也就 4 token/s 左右的速度，4bit 量化就速度 x2 ，14B 规格就速度除以 2 ，偏差不会太大。

先考虑一下把公司电脑的远程桌面端口暴露到公网，被弱口令爆破或者 0day 打穿之后，蔓延到公司内网中毒时，你需要负什么责任吧...

动手能力好就 tailscale 加自建 derby ，动手能力差就 WireGuard 傻瓜脚本 https://github.com/angristan/wireguard-install

我觉得我的 5900x + 128GB 内存 + 2080ti 22g 跑 Windows 10 LTSC 很好用，打开软件速度很快，不用像 Mac 那样图标弹弹弹弹弹弹弹弹才蹦出界面。
当然跑 Debian + KDE 更好用。

-- 发送自睾贵的 192GB M2 Ultra （ 24 核 cpu + 76 核 gpu 版） Mac Studio 带 AppleCare 国行非海南免税店版

@289396212 想追求更好的方案呗，做做减法。一些常用的东西，.Net 的第一方支持更好。比如表单校验规则写好了，Swagge 文档也就生成好了。而在 Nest.js 里既要用 class-validator ，又要用 @nestjs/swagger ，一共 2 套装饰器才能实现；

像 http client 这种常用的东西，got 、undici 、got-scraping 选择太多的同时它们迭代多年还小 bug 不断。

还有 AOT 可以压缩更极限：像 pkg 本质上也就是把用到的 js 文件选出来压缩到一起，运行的时候实际上还是要解压的，只是解压得少一些而已，而且跨平台编译需要用 qemu 虚拟机，很重。

还有性能分析诊断的工具、冷启动速度、资源占用等，都是 C# 可以做到更好。


现在我本地可以跑比较大的模型，可以当作是无限 token 消耗，所以也想趁机看看用 AI 把整个项目翻译成另一种语言的可行性，这样以后也能把一些别的语言流行库进行一个大翻译，搞不好以后就是世界大同。

当然，追求极致还得用 Rust ，现阶段只是在性能和开发效率之间取一个平衡，现在 AI 写 Rust 代码的准确率还是不高。等下一步 AI 进化了，一次性写对代码的几率大幅度提高了，就再迁移了，反正拆分得好可以一层一层迁移。

@Arguments AdonisJS 前面的大版本不支持 TypeScript ，而且是抄的 Laravel 的设计。然而 Laravel 抄的是 Ruby on Rails ，结果没抄到精髓，AdonisJS 这波操作属于把别人消化到一半的东西吃了过来……只能说 AdonisJS 适合 Laravel 用户去使用了。

用了好多年的 Nest.js 了，大概从 6.x 用到现在的 10.x ，也没什么大变更。
选 Nest.js 看中的是 TypeScript 优先，然后集成了 class-validator 可以开箱即用。
其它自己集成的什么 http client 、数据库、缓存、消息队列、不喜欢就自己糊一个。
至于它的依赖注入，除了控制器和模块这一层，service 层你都可以不用依赖注入，完全走静态函数，反正 js 这种脚本语言可以在运行时修改 class 的 method ，mock 起来非常简单。
最大规模试过在 30 个 4c8g 的 contabo vps 上用 k3s 部署爬虫，套个 rancher 面板，部署一年多，稳如狗，用 DaemonSet 跑网络 IO 相关的操作，全流式操作，内存占用两百多兆，每个节点每月 32T 流量吃到饱。分析计算用 Deployment ，完全的 IO 和计算分离。
至于 web api ，现在用 Nest.js + Supabase ，日常内存占用也就 90MB 左右，需要事务那就换 Prisma ，内存占用高一些，150MB 左右。
结合 pkg 可以把项目打包成单个二进制文件塞到容器里，一般就 70MB 左右，冷启动贼快，丢到 1c1g 的容器里都算是打很富裕的仗了。

至于现在，我在把 Nest.js 的程序结合 AI 迁移到.Net 上…… 现在迁移了一个应用，确实很香。

早知道，还是 angular

最近刚好在折腾这个，直连外面 2 周没啥问题，用 https://github.com/dockovpn/dockovpn 这个搭建的，如果是 docker compose 运行结合 https://github.com/dockovpn/dockovpn/issues/221 这个就搞定了，客户端也是 tls 。
有一说一 openvpn 真的老旧又落后，也就是为了直接在华硕的路由器上使用才选的，平时我都用 wireguard 。

Deno:?

https://item.jd.com/100007630859.html 联想自家笔记本 ddr4 内存，我的 r7000p 5800h 就是塞了 2 条这个凑的 64g

@yumozero 客服懂个锤子，有时候厂商也是瞎写的，在 xps 自家页面写主持 32g 的时候我就上到了 64g 。你这款可以直接上 64g 。我就是这款，5800h+6600m 是吧，或者 5800h+3060

把你游戏本的具体型号发出来，有 2 个插槽不一定只支持到 32g 。

拿 2080ti 22g 跑 13B 8bit 量化，都能跑 30token/s 甚至更快。
准备好钱买第二块显卡或者换 2 张 7900XTX 跑 34B 的吧。
很明确告诉你 13B 级别，如果不是特别训练单一领域的，那么就是一个弱智。
比如最近最近新出的 StarCoder2 ，号称涵盖 619 种编程语言，我下载下来问几个语言、常用编程库、数据库之类的版本信息，15B 的训练数据落后 6 年，7B 的落后 9 年。

显卡显存不够内存来凑的内存回退机制不用看了，屎中屎，无论是玩画图还是玩 LLM 推理都是教你关掉的。

引用别人的回复
“生成式大语言模型的推理过程就是先把模型本身加载到运存，然后每生成一个字都需要把整个模型遍历访问一遍，所以决定速度的就是运存带宽（预训练或者微调时需要计算能力，但推理时几乎不需要，就是沿着预训练好的权重选择下一步路径，所以哪怕 1060 配上 48G 显存也是推理神器）。比如 7B 模型的 8 位量化版本，每个权重占一个字节所以就是 7G 大小（ 7B 参数是指有 70 亿个权重，8 位量化是指每个权重用 2 的 8 次方表示就是有 256 种下一步的可能，也就是占用 1 比特的空间，同理目前性价比最高的 Q4 量化就是 3.5G ），如果是加载到 4090 的显存，因为它的 GDDR 显存带宽是 1000GB/s ，那么生成速度就是 1000 除以 7 大概每秒 140 个字（词元）；如果是纯 CPU 推理，加载到 DDR4 的内存，带宽大概 30GB/s ，那么推理速度就是 30/7 大概 4 个字每秒”

内存堆高优势不大，ddr5 双通道带宽也就 70 ～ 100GB/s ，是 4090 的 1/10 。所以在 reddit 上可以看到 96 核跑 13B 的推理速度几 token/s 的景象。
现在优化手段就是把模型合理拆分，不活跃的丢 CPU ，活跃的丢 GPU ，既要避免 cpu 在围观 gpu 干活，又要避免 cpu 因为内存瓶颈干活慢，比如 https://github.com/SJTU-IPADS/PowerInfer

我每个月下载几百 G 的模型来测，用 M2 Ultra 192GB 玩了 3 个月了，最近就是因为它跑大模型的时候 cpu 不干活，我看不下去它在摸鱼，本来丢货架上不接显示器的，现在都接上显示器拿来写代码了。


附：本地模型写代码能力排名 https://huggingface.co/spaces/bigcode/bigcode-models-leaderboard 。