大模型中的每一个参数就是一个数字，默认的存储精度一般是BF16或者是FP16，学过编程的都知道，FP16就是16位半精度浮点数，数据长度有16bit，也就是2字节。按照这个容量计算，7B（70亿）的模型文件大小应该是14 GB左右，实际上也差不多，有15,237,852,832字节，合14.1 GB，而把这个模型运行起来，大概也是就是占用这么大的显存，实际上也差不多，要占用14623 MB，合14.28 GB。

如果是BF16，也就是16位Brain浮点数，虽然占用的存储空间一样，但是BF16的数据范围比FP16更大。

而对于INT8或者INT4量化，通过使用缩放因子，将16位数据压缩至8bit（1字节）或者4bit（半字节），模型文件更小。比如说，7B（70亿）模型经过INT8量化之后的文件大小为8,098,524,832字节，合7.54 GB，因为不是简单的数据压缩，所以比一半大小稍微大一点。而当把量化后的文件加载到GPU之后，因为涉及到框架开销和KV缓存（Key Value Cache）等因素，实际显存占用会比模型文件更大，实际达到了8300 MB，合8.1 GB。

就拿ollama默认使用的7B模型来说，是经过INT4量化过的，文件大小为4,683,073,184字节，合4.36 GB，比量化过的INT8模型的一半大小又稍微大了一点。而当把量化后的文件加载到GPU之后，实际显存占用达到了5303 MB，合5.18 GB。

而人们对比时总喜欢拿相对精度来说事，也就是相对于671B的满血未量化版，在不同的评测中得分能拿到多少，这个我暂时还没测，因为671B我就测不了，但是根据DeepSeek自己给出的回答，FP16的7B模型的相对精度为44%，INT8为42%，INT4为38%；最低的INT4量化的1.5B模型，相对精度只有22%；要用到INT4量化的14B模型，相对精度才能达到60%的及格线水平；而直到使用INT8量化的32B模型时，相对精度才超过80%，达到82%。

要是看上面这张表，上次的数学测试也就不足为奇了。

除此之外，除了7B模型和8B模型有所交织之外，其余模型也是秉承一寸长一寸强的原则，参数大一级压死人。当然，现在有了更新的蒸馏方式，能不能更好用还不好说。

但是从显存占用的角度来看，有些情况下反而是更大参数模型的量化版本精度更高，更具性价比。比如以FP16精度运行7B模型，与用INT4量化方式运行14B模型，在显存占用降低了27.7 %的同时，相对精度提高了36.4%，这不就是花小钱办大事吗？

以市面上场景的显存规格来看，比如16 GB的Tesla T4，可能最适合运行INT4量化后的14B模型；如果显存提升到了24 GB的Tesla P40或者A10，可能最适合运行INT4量化后的32B模型；如果显存提升到32 GB的V100，可能还是最适合运行INT4量化后的32B模型。

如果要更上一层楼，使用INT8量化的32B模型需要38 GB显存，对应的可能就需要配置48 GB显存；但是当显存达到48 GB之后，也就勉强能运行INT4量化过的70B模型了，显存占用47.5 GB，不过可能要更大显存才能流畅使用。

目前市面上通过云主机能开到的最高显存的云主机应该是4卡的V100，显存128 GB，这个显存也就能跑一下INT8量化过的70B模型，显存占用79 GB，此时相对精度已经达到了89%。如果想冲刺90%以上，至少也需要141 GB显存，可能得上更高规格的物理机了。

部分显存验证信息如下：

1、模型deepseek-r1:1.5b-qwen-distill-q4_K_M的显存占用为1651 MB：

2、模型deepseek-r1:1.5b-qwen-distill-q8_0的显存占用为2281 MB：

3、模型deepseek-r1:1.5b-qwen-distill-fp16的显存占用为3661 MB：

4、模型deepseek-r1:7b-qwen-distill-q4_K_M的显存占用为5303 MB：

5、模型deepseek-r1:8b-llama-distill-q4_K_M的显存占用为6182 MB：

6、模型deepseek-r1:7b-qwen-distill-q8_0的显存占用为8300 MB：

7、模型deepseek-r1:8b-llama-distill-q8_0的显存占用为9385 MB：

8、模型deepseek-r1:14b-qwen-distill-q4_K_M的显存占用为10577 MB：

9、模型deepseek-r1:7b-qwen-distill-fp16的显存占用为14623 MB：

10、模型deepseek-r1:8b-llama-distill-fp16的显存占用为16096 MB：

11、模型deepseek-r1:14b-qwen-distill-q8_0的显存占用为16609 MB：

12、模型deepseek-r1:32b-qwen-distill-q4_K_M的显存占用21450 MB：

13、模型deepseek-r1:14b-qwen-distill-fp16的显存占用为29234 MB：

14、模型deepseek-r1:32b-qwen-distill-q8_0的显存占用为38852 MB：

15、模型deepseek-r1:70b-llama-distill-q4_K_M的显存占用为48654 MB：

16、模型deepseek-r1:70b-llama-distill-q8_0的显存占用为67446 MB：

17、模型deepseek-r1:32b-qwen-distill-fp16的显存占用为79106 MB：

该说不说，ollama默认将INT4量化的模型作为默认选项不是没有道理，整体的性价比还是很高的。

当然，看了这么多，如果你的笔记本显存只有8 GB的话，还是老老实实的用INT4量化过的7B或者8B模型吧。

如何学习大模型 AI ？

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。

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】