散热优化：注意散热优化，建议上相变片，不怕死的可以上液金片（片状风险会小一点，液金一定不能倾斜，周边做好保护），导热胶加铜管加mini铝制散热片加石墨导热片（不会破坏保修和外壳）。

清灰一定要彻底，把散热鳍片上的灰也清干净。

可以用硅胶片在散热模组上垫一下，把热导到D壳，，在D壳上粘铝制散热片。

可以买一套强力的风扇（转速3600即可，不宜太高，太高有电流反冲风险）粘在笔记本支架下，大约50元，比压风式散热便宜一些。

不怕破坏外壳和保修的可以上水冷（破坏了外壳容易卖不出价），拼多多买一套水泵加硅胶管加水冷铜管套餐（大约100元），建议用水冷液,不怕麻烦可以用纯净水（多换，容易污染）,铜管可以从散热器鳍片走（把鳍片剪掉一部分），这样不用破坏D壳。

内存可以用石墨贴片（不建议像B站教程那样叠硅胶片，容易把内存压弯）连到D壳（如果你不是只用显存装模型的话一定要优化内存散热，游戏是跑不满32G双通道DDR5的，AI必然可以）。

如果要频繁读写硬盘建议也要散热。（一般不会）

另外，如果发现自己笔记本电源不太够（180w），可以换一个电压相同，功耗更高的电源（电压一定要相同）。（有风险）

4060功耗虽好，跑AI一定要加强散热，不然CPUGPU90°跑跑没事，内存和主板要完蛋的。

极限性能压榨就在散热完成解功耗墙，后小超一下（有风险），要根据自己的电脑查教程，有些BIOS不支持的可以刷BIOS（不知道会不会影响保修）。一般不建议超，因为跑AI对散热要求太高了，功耗会比游戏高很多。然后就是借助DEEPSEEK开源周开源的技术。

1. FlashMLA：高效解码内核

技术特点

• FlashMLA 是一种针对高性能显卡（如英伟达 Hopper GPU）设计的 AI 加速工具，专门优化了处理长度不固定数据（如长句子和短句子混合输入）时的资源分配效率59。

• 它通过动态调整计算资源，避免了算力浪费，从而显著提升了模型在处理复杂任务时的速度和效率。

性能提升

• 推理速度：FlashMLA 在处理速度和计算效率上接近 H800 显卡的理论极限（内存速度达每秒 3000GB，算力达 580 万亿次/秒），使得实时翻译、内容生成等应用更快、更省成本5。

• 资源利用率：通过优化资源分配，FlashMLA 能够更高效地利用 GPU 算力，减少冗余计算，从而降低部署成本9。

2. DeepEP：专家并行通信库

技术特点

• DeepEP 是首个专为 MoE（专家混合模型）训练和推理打造的开源通信库，支持高效的并行计算和通信优化69。

• 它甚至利用了一些英伟达未公开的 PTX 指令，进一步挖掘了 GPU 的潜力9。

性能提升

• 并行计算效率：DeepEP 通过优化 MoE 模型的通信机制，显著减少了模型训练和推理时的通信开销，提升了并行计算的效率6。

• 硬件利用率：通过利用隐藏指令和优化通信流程，DeepEP 能够更充分地利用 GPU 性能，降低硬件资源的闲置率9。

3. DeepGEMM：FP8 通用矩阵乘法库

技术特点

• DeepGEMM 是一个支持密集和 MoE 模型的 FP8（8 位浮点数）通用矩阵乘法库，专为 Hopper GPU 优化169。

• 它具有极轻量级的依赖，核心逻辑仅约 300 行代码，支持即时编译（JIT），能够在运行时动态优化资源分配19。

性能提升

• 计算效率：DeepGEMM 在 Hopper GPU 上实现了高达 1350+ FP8 TFLOPS 的算力，显著提升了矩阵乘法的计算效率19。

• 成本效益：通过支持 FP8 计算，DeepGEMM 在保证精度的同时大幅降低了计算资源需求，从而降低了模型部署的成本16。