Studio M4max 128G 是否合适跑大模型

[886106]

看上 M4 的芯片了，128G 适合跑大模型么

[mumbler]

能跑，很酷，但性价比很低

目前跑大模型最划算的是 2080ti 魔改 22G ，用 128G M4 的价格可以买 8 块 2080 交火 176G ，多并发流畅跑 32B fp16 和 70B fp16 ，剩下的钱还能再买个 16G m4 用

[886106]

@mumbler 你说这硬要上服务器才能跑 8 张卡了

[chiaf]

你指的训练大模型吧，那不能。

本地跑的那种跑，绝对没问题，除了那种超大的模型，比如什么迪普稀客满血版🌝

[lithiumii]

能，但是容量尴尬吧。跑不了最大的那些 671B 或者 405B ，往下 70B 之类的魔改显卡也能了，还更快。

[noobjalen]

我 32g 能跑 9b 大模型，这算大模型吗。 当然是不建议，能跑但慢。

[neteroster]

［同时］满足下面几个要求的情况下有优势：
1. bs=1 （不并发）
2. 轻 prefill 负载（仅类似 chatbot 任务，没有 rag 这样的工况）
3. 静音与便携
4. 需要跑较大的模型（很慢但能跑）

---

一旦你要并发或者重 prefill 任务就会原地爆炸，被多消费卡方案杀出几十上百倍的吞吐都不是不可能的。就算你不考虑吞吐只是单线程，也只有跑 MoE 的时候有比较显著的性价比优势，可惜这 128G 左右也没啥合适的 MoE 。

综合意见就是，大体上优势只有功耗静音。Ultra 的话能装下 R1 还有点看头，Max 除了功耗这些外围的基本可以说没什么跑 LLM 的优势。

[killgfat]

除非你对输出速度没什么要求，但对能耗很有要求，而且预算很充足，不然不建议这么干，这个钱组 PC 都够组一套勉强能通过 ktransformers 跑 dsv3 的玩意了

[hefish]

gpu 太弱， 本机跑跑问题不大。 针对 apple metal 的工具链也不够完善。 至少 vllm 目前还不支持 apple 的 gpu 。。。ollama 倒是支持了，exo 也支持了，但是开源的模型不能直接用，ollama 需要导入，有时候会因为 gpu 架构问题导入失败，exo 都不知道怎么导入自己下载的模型。。。

[liulicaixiao]

个人觉得不要为了跑大模型而买设备，而应该是有刚需买这个设备，而这个设备恰好能跑大模型。因为大模型的需求是无止尽的，你买一个超级豪华配置的钱，足够你使用 api 很久，而且还能免去你配置中出现的各种问题

[yiios]

@neteroster
你把我想说的都说完了。
一个是没有靠谱的并发方案，另一个 prompt 处理方面速度慢 N 卡至少一个数量级以上。

[icyalala]

如果你买 Mac 做生产力工具，大模型刚好是其中的一个需求，那非常合适。

如果你买这个目的就只跑大模型，那就没意义了，楼上大部分对比都是基于这个假设。。。

[ShadowPower]

这个容量能跑的实用模型，消费级 N 卡都能单卡或者双卡跑（ 32B / 70B ）
实用程度更高的模型，128GB 内存不够跑，想方设法跑起来也会有很严重的性能/质量问题

[BernieDu]

@mumbler 8 块 2080ti 魔改 22g 交火带宽是多少，没记错的话 2080ti 不支持 nvlink 。PCIe 3.0 每卡双向带宽 7.88 GB/s 。是 m4 ultra 内存带宽的 100 分之一。你确定能流畅跑 70B fp16 ？ 每秒输出多少 token ？

[azhangbing]

充钱用 token 可以到天荒地老

[DICK23]

我之前也是这么个想法，但是后面想想如果只是运行不训练，那直接用云服务 API 不是更便宜吗？数据敏感的场景除外

[tap91624]

@BernieDu 2080ti 两两之间支持 nvlink

[ShadowPower]

@DICK23 数据敏感的场景拿出来租几天 VPS 跑，没有哪家厂商会花成本去监听和解析内存数据

[234ygg]

压根跑不动比较大的模型，吐第一个字要等半个世纪，上下文越长，吐第一个字速度越慢

[BernieDu]

@tap91624 2 条 nvlink 通道没办法实现 8 卡交火吧，而且 nvlink1 的带宽也不过 100 GB/s

[Liftman]

我就是，明确的跟你讲，除非 mlx 优化的，一般不咋的。正常你如果 ollama 拉一个。32b 及以下参数量的模型。速度还算不错。如果到 70b 。就 10tokens 左右了。

但是。这应该是能买到的本地化+移动便携最好的设备了。。。。我出去做讲座都是开 32b+70b+7b+1.5b 给人家演示参数的差别。。所以还算不错啦。。。毕竟你想现在买个 2 个 4090 的设备也就那么点显存。还不够跑个寂寞呢。。。也不能带出门。。。

[clf]

挺适合。

2080Ti 方案的话，残值低，买到手=亏 70%，还没算额外的电源成本和 8 卡主板等周边配套的成本。

起码在能耗、性能和省事上来说，M4 Max 很不错。（至少后续没兴趣在本地跑大模型了，也能卖二手，保值率还是挺高的）

[wclebb]

Mac Studio M2 Max 64G 跑过 70B DS ，能跑。只是找不到实用性价值（都是用 API 和 ChatGPT 聊天）。

DS 问多了也会把我搞抑郁，不敢问了。所以 128G 肯定能跑。只是得问一下实用性的价值在哪里而已。iOS Craft 已经支持离线下载 DS 可以用 AI （估计 Mac 也能）。

后面估计可以玩更好玩的玩法，只是现在还没有。

[rogerer]

为了考虑要不要在本地跑 LLM 买设备，不如考虑一下这个钱拿去买 token 会不会更好。开源的模型，deepseek qwen llama ，它们的 api 也都不算贵。

[newbeelity]

请教一下 8 张 2080 怎么硬件交火，用什么交火硬件
@mumbler

[ShadowPower]

@BernieDu 推理对 PCIe 带宽要求很低，训练的要求倒是很高

[newbeelity]

多张民用显卡叠加跑模型一直是个问题，目前仅有软件方案 exo 等（仍在 beta ），虽然官方出了 nvlink 硬件，但支持的显卡，及数量都是优先的。所以用民用显卡显存堆起来跑大尺寸模型本身就不可行。我给楼主的建议是，mac studio 可行，速度还能接受，每秒 20 个 token 左右
-- 来自 m3 ultra 512G 统一内存用户

[BernieDu]

@ShadowPower 如果推理不要求带宽那都用内存推理了。。

[ShadowPower]

@BernieDu
PCIe 接口在推理的过程中，传输的数据只有用户输入的文本和模型返回的文本（一次一 Token ）
多卡的话，再加上一些层与层之间传输的信息以及一些上下文更新信息，也非常少

吃的带宽都是 GPU-显存之间的带宽，这部分不走 PCIe 。为什么吃：因为生成一个 Token 就得访问一次所有激活参数。但你需要注意的是，这是 GPU 访问自己负责的那部分参数，多 GPU 也不会需要 A GPU 去访问 B GPU 上的显存。

如果用 NVIDIA 以前的 SLI 技术，那倒是会有上面说的情况。但跑模型并不采用这种技术方案，AI 工程师不会那么蠢……

[ShadowPower]

@BernieDu 我现在用来跑 LLM 的显卡，实际 PCIe 带宽是 7.88GB/s （用的平台太老），显卡的显存带宽是 288GB/s ，跑 5bpw 量化 14B 模型实际有 28 token/s

[BernieDu]

@ShadowPower 14B 5bit 的小模型大概需要 9g 显存，你这用不着交火吧。我自己没试过 pcie 显卡交火跑模型，但是 ds 查的模型并行(场景是模型过大，需拆分到多个 GPU) 前向传播时需频繁传递中间张量（如层间输出）。PCIe 带宽 7.88GB/s 会限制大张量传输。成为推理瓶颈。让我用 nvlink 。（应该不会封号吧）

[ShadowPower]

@BernieDu
你用 DeepSeek 的话，那就好办了。
你应该这么问 DeepSeek：

---------------

这是 LLAMA 模型的尺寸信息：
'llama3_70b': dict(
base_model='llama3_8b',
vocab_size=128256,
hidden_size=8192,
intermediate_size=28672,
num_hidden_layers=80,
num_attention_heads=64,
num_key_value_heads=8,
max_position_embeddings=8192,
rms_norm_eps=1e-5,
rope_theta=5e5,
),

双显卡跑 LLAMA 70B 模型，batch_size=1 ，模型拆分到两块显卡上，采用流水线并行。激活值精度为 float16 ，计算生成单个 token 时，两块显卡之间前向传播数据大小。

-----------------

它给你算出一个大小，然后，PCIe 4.0 x16 的带宽大约有 32GB/s ，用带宽除以每 token 传输的数据量，就可以算出这个瓶颈会限制 Token/s 到多大了。

[swmjjy]

@BernieDu 要求带宽的是 GPU 和自身显存之间的通信, 而 GPU 之间几乎只是每层(甚至可以是每 N 层)进行一次简单的中间状态交互, 带宽要求可以非常低

举例, 8 张 3060, Qwen2.5-72B 4bit 量化
promp prefill: 470token/s
decode bs=1: 37token/s
decode 高并发: 430token/s

(这几个数据对于 m4 max 而言是 ~50token/s, ~12token/s, ~30token/s)

[swmjjy]

@newbeelity 这并不是什么问题, 主流推理框架全都正式支持至少一种并行方式, 而且都不必选依赖 nvlink 或者对应 GPU 的同等通信方式, exo 仅仅属于在 mac 社区里比较知名的简单山寨实现而已

[newbeelity]

@swmjjy 感谢，马上去试试：）

[BernieDu]

@swmjjy 感谢数据，被 ds 的回答误导了。。

[gigishy]

@noobjalen 你保守了……我 m1 的 16g 内存 iMac ，流畅 14b 。32b 明显卡顿，测试了一下，缺内存的原因，不是 m1 的原因。

[gigishy]

@liulicaixiao 有一个压倒所有你说的因素的原因：隐私和安全。因为这个缘故，才花五位数买来本地跑模型……