河南
快科技7月13日消息，近日一位独立开发者打造了名为Colibri的纯C语言推理引擎，成功在仅25GB内存的消费级笔记本上运行拥有7440亿参数的开源模型GLM-5.2，被誉为"极客精神的极致展现"。
Colibri核心仅约2400行C语言代码，完全零依赖，不需要Python、不需要GPU、不需要BLAS数学函数库。开发者表示速度不是重点，达成目标才是，只是想让它跑起来，即使很慢也没关系。
GLM-5.2由智谱开发，拥有7440亿参数，训练数据量达28.5万亿tokens，是目前能力最强的开源模型，若采用传统密集模型架构，光是将模型载入内存就需要超过1.5TB。
但GLM-5.2采用MoE混合专家架构，虽然总参数量达7440亿，每次处理一个token时只会启动约400亿个参数（约5%），其余参数以专家形式存在，被选中时才会调用。
Colibri的开发者正是抓住了这个特性，每次token处理时实际改变的权重只有约11GB，其余密集层（注意力机制、共享专家、嵌入层等约170亿参数）可以常驻内存。
实际性能方面，开发者在WSL2环境（12核心、25GB内存、NVMe通过VHDX）测得模型载入约30秒，常驻内存9.9GB，聊天时峰值RSS约20GB。
冷启动时每次token需读取约11GB磁盘数据，推理速度约每秒0.05至0.1个token。快取预热后配合MTP投机解码，有用户反馈在更快NVMe和更多内存的配置下可达每秒1个token以上。
具体实现上，密集部分以int4量化后常驻内存，其余21504个路由专家存放在硬盘上，总计约370GB，每个专家约19MB，按需求载入。这些专家来自75个MoE层每层256个专家，加上MTP预测头。
为提升效率，Colibri还进行了了多项优化，每层LRU缓存让常用专家留在内存中，异步专家预读让磁盘读取与矩阵运算重叠进行，路由前瞻预取利用相邻层之间71.6%的路由可预测性提前载入下一层可能需要的专家。
此外还实现了GLM-5.2原生的MTP多token预测投机解码，int8量化下草稿接受率达39%至59%，每次前向传播可产生2.2至2.8个token。MLA注意力机制将KV缓存压缩57倍，每个token只需576个浮点数而非32768个。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
