大语言模型与GPU显存需求的精确测算与优化策略|从8B 70B到405B：揭秘大语言模型的硬件需求

大语言模型的算力之源：解密LLM与GPU的关系 - 从显存需求到性能评估

AI硬件选型指南：如何为您的LLM模型匹配最佳GPU配置 - 从Meta到Apple

突破算力瓶颈：LLM模型规模与GPU性能的完美平衡 - 从并发到token生成速度

一、 Model size

最新发布的Llama 3.1来举例，从meta的规模选择来看，最新一代的模型分布在三个量级，分别对应不同的用途：

Model	Model size	Tensor type	备注
meta-llama/Meta-Llama-3.1-8B	8B	BF16	轻量级
meta-llama/Meta-Llama-3.1-70B	70B	BF16	实用级，性能和消耗的平衡
meta-llama/Meta-Llama-3.1-405B	405B	BF16/FP8	旗舰级

对移动端而言，普遍在1B以下，此处参考apple的开源Instruct models，Tensor type为BF16，最大的版本为3B，以应对不同的硬件规格：

二、 Tensor type

Tensor type类别很多：FP64/FP32/FP16/BF16/TF32/INIT8/INIT4。但就实际而言，hugging face上开源模型Tensor type普遍是BF16。量化层面在用的有FP8/INIT8（如meta的guard类模型）。

因此从商用估算的角度来说，只需要考虑BF16和FP8两种精度可以满足使用需求。具体Tensor type的数据结构及差异，此处不再赘述。总结而言：

l BF16（Brain Floating Point 16）:占用2字节（16位）。

l FP8（8-bit Floating Point）:占用1字节（8位）。

三、估算显存需求

我们首先计算1B在不同Tensor type下的显存基础需求，实际配置时，需要冗余出实际计算所需的显存。大致可以按照1B对应2GB（BF16）/1GB（FP8）的显存去做估算。

Tensor type	Model size	计算过程	显存的需求
BF16	1B	*10000000002/1024/1024/1024**	1.86 GB
FP8	1B	1000000000/1024/1024/1024	0.93 GB

按照上边的结果可以进一步测算模型用量：

Model	Model size	Tensor type	显存的需求
meta-llama/Meta-Llama-3.1-8B	8B	BF16	14.88GB
meta-llama/Meta-Llama-3.1-70B	70B	BF16	130.2GB
meta-llama/Meta-Llama-3.1-405B	405B	BF16/FP8	753.3GB/376.65GB

关于显存的计算hugging face还做了一个计算页面：hugging face Model Memory Calculator

四、性能及并发

调研了一下目前阿里云及腾讯云上可以选择到的GPU：

架构	型号及显存
2016-Pascal	P4 (8GB GDDR5) P40 (24GB GDDR5) P100 (16GB HBM2 或 12GB HBM2)
2017-Volta	V100 (16GB HBM2 或 32GB HBM2）
2018-Turing	T4 (16GB GDDR6)
2020-Ampere	A10 (24GB GDDR6) A30(24GB HBM2) A100 (40GB HBM2 或 80GB HBM2)
2022-Hopper	/
2024-Blackwell	/

对于中国大陆而言，目前能够拿到的最好的GPU应该就是A系列了，下边的并发基于A系进行测算。

参考百度Comate模型的数据：其comate模型可运行单张在A30/A100的上（估计模型的规模在10B量级）。百度给出的测算结果为单卡支撑的用户为120人。

注：这部分的数据可以参考本文第六部分做换算。百度的测算依据来自于10B量级的模型，PCIe版本的GPU。

目前用于AI计算的GPU的接口存在PCIe及SXM两种。前者更有可能搭载DDR类型的内存，后者搭载HBM内存。最终的TFLOPS的理论值会产生变化。

例如A100 PCIe VS SXM 官方的性能对比：A100 datasheet

五、案例说明

1000人并发的8B模型需要的资源情况测算？可以采购到GPU为A100(40GB HBM2)。

并发人数（单位个）：1000

模型规模（单位B）：8

显卡显存（单位GB）：40

一套模型启动需要的显卡数量= 8*1.86/40≈0.372，因此需要1张显卡。

显卡的总需求数=1000/120*1≈8.33，因此需要9张显卡。

建议采购/租赁方案：2台8-GPU 服务器：2台服务器 (9/8 = 1.125，向上取整到 2)，多余的部分用于未来扩展。

同时预留搭配模型使用的前后端项目、中间件的服务器需求即可，一般而言10台虚拟机以内可以满足需求。

六、关于token生成速度的整理

Nvidia官方对于A100及H100的推理性能做了完整的测试（基于llama2），并形成了报告。其报告由聊天及翻译两个场景组成。A100及H00推理性能详细数据。基于上述的图表，我们可以对于实际的需求做更加精准的估算。

观察Nvidia官方对于不同大小模型所需的GPU数量，可以印证本文对于更大模型运行数量的估算是比较科学的。

最终从官方的数据来看，7B的模型（llama2）在一个GPU的情况下，Average Throughput [sentences/s]为24.3,延时为329.5ms。70B的模型在2个GPU的情况下，Average Throughput [sentences/s]仅为5.3，延时达到了1520.3ms。

以下是 NVIDIA 自 2006 年起推出的 GPU 架构，以及对应人物的中文名和主要贡献：

Tesla (2006) - 尼古拉·特斯拉 (Nikola Tesla)
Fermi (2010) - 恩里科·费米 (Enrico Fermi)
Kepler (2012) - 约翰内斯·开普勒 (Johannes Kepler)
Maxwell (2014) - 詹姆斯·克拉克·麦克斯韦 (James Clerk Maxwell)
Pascal (2016) - 布莱兹·帕斯卡 (Blaise Pascal)
Volta (2017) - 亚历山德罗·伏特 (Alessandro Volta)
Turing (2018) - 艾伦·图灵 (Alan Turing)
Ampere (2020) - 安德烈-玛丽·安培 (André-Marie Ampère)
Hopper (2022) - 格蕾丝·霍珀 (Grace Hopper)
Blackwell (2024) - 大卫·布莱克韦尔 (David Blackwell)

从英伟达最新的发布会，以及相关的数据来看：
A100 → H100: H100 的 FP16、TF32 和 FP64 性能均为 A100 的 3 倍。
H100 → B200: B200 单芯片 AI 性能达到 20 PetaFLOPS，是 H100 的 4 倍；AI 推理性能提升了 30 倍。相同 AI 训练任务，B200 所需的 GPU 数量和功耗都远低于 H100。

供各位领导参考。