现在本地部署LLM的话是不是性价比最高的是多卡5060Ti 16GB？
考虑到5090D的极高售价，Dv2版显存还缩水了除了AutoDL这种网站租卡之外，
16GB的5060Ti大概3000一块，是不是叠加2块或者4块，只要机箱和PCIE通道支持，就算是最性价比的玩法了？
有没有大佬给些建议？ 看你要什么速度, 多卡推理走内存很慢 不推荐本地LLM，直接codex搞API，一个月20，量大上pro，根本用不完 铭瑄的intel b60 dual 48g，双槽涡轮卡，当然零售渠道目前没开卖，都被拿去做8卡整机了，5060ti主要是太占插槽了，一旦拿去改装，算上改装成本，立刻高于b60 448 GB/S
这个带宽，双卡跑30B-FP8 模型吧
再大的模型速度就很慢，慢得没意义了
但双卡的拥有成本。。。。嗯，不推荐 性价比高的现在还是4090 48G型号吧，其次可能是5090毕竟有FP4加持显存也是32G。 StevenG 发表于 2025-11-14 18:45
铭瑄的intel b60 dual 48g，双槽涡轮卡，当然零售渠道目前没开卖，都被拿去做8卡整机了，5060ti主要是太占 ...
intel会有兼容性问题吗？感觉ROCM坑都不少，感觉intel生态更差 本帖最后由 powerduke 于 2025-11-14 19:38 编辑
QwQ 32b Q_6_k，5060ti双卡输出 9.39 tps，30b a3b那就快了，输出大概60几tps，单发速度，个人用应该性价比比较高，6k可以两张卡搞到32g显存，装更多上下文，cuda生态不操心。
两卡还是三卡四卡，还是看用途吧，主要是长上下文有多大需求，会不会超显存，简单的测试方法是lmstudio里cpu加载模型，设定你要的上下文，看看右上角的预估资源占用，省着自己算了。
性价比最高不是v100吗。。买越多越便宜[偷笑] 不能只考虑显卡成本，主板，电源都要考虑。
所以，马上要出的rtx pro 5000 72G性价比很高 weindy 发表于 2025-11-14 19:28
性价比最高不是v100吗。。买越多越便宜
这个过时了，新的moe架构、数据格式都不支持了，都是锻炼过的，还是最新的50系有未来。 powerduke 发表于 2025-11-14 19:32
这个过时了，新的moe架构、数据格式都不支持了，都是锻炼过的，还是最新的50系有未来。 ...
这倒是，不过楼主说了只考虑性价比，干脆白嫖算了 1014982466 发表于 2025-11-14 19:11
intel会有兼容性问题吗？感觉ROCM坑都不少，感觉intel生态更差
看情况，你要是跑固定的模型，并且只是用来调用，那事先花点时间评估一下兼容性就可以。但你要是想微调，或者学习研究，那还是英伟达更适合。 weindy 发表于 2025-11-14 19:28
性价比最高不是v100吗。。买越多越便宜
v100但凡跟得上迭代，都不是现在这个价啦~ im50 32g 3080 20g 2080ti 22g do0wmt1 发表于 2025-11-14 19:29
不能只考虑显卡成本，主板，电源都要考虑。
所以，马上要出的rtx pro 5000 72G性价比很高 ...
和显卡价格比起来，主板电源价格就是洒洒水感觉 powerduke 发表于 2025-11-14 19:26
QwQ 32b Q_6_k，5060ti双卡输出 9.39 tps，30b a3b那就快了，输出大概60几tps，单发速度，个人用应该性价比 ...
请问大佬现在LLM能不能让两个显卡分担模型显存占用，比如一个卡存一半？ 本帖最后由 CraftDeadMRC 于 2025-11-14 20:38 编辑
1014982466 发表于 2025-11-14 20:00
请问大佬现在LLM能不能让两个显卡分担模型显存占用，比如一个卡存一半？ ...
任意支持张量并行或流水线并行的推理框架都行（又或者llama.cp/ik_llama.cpp更详细分层也行），不急求新功能和新模型可以考虑双卡v100用lmdeploy，我自测Qwen3-30B-A3B-awq（是的，lmdeploy居然让它能用上awq量化的模型）是单请求90，比双卡a3000laptop低，但是并发数上来或者上下文拉大的话很强，带上nvlink的话预处理有很大提升否则反倒可能是减益。测试结果：64并发，输出2816，预处理12534，128k上下文情况，无nvlink输出6.3，预处理1789.3，有nvlink输出7.39，预处理2115.34 本帖最后由 powerduke 于 2025-11-15 00:58 编辑
1014982466 发表于 2025-11-14 20:00
请问大佬现在LLM能不能让两个显卡分担模型显存占用，比如一个卡存一半？ ...
地中多卡不就是为了凑大显存把模型和cache都装进去提高速度跑跑ai，模型拆分放到多个卡里是基本能力。
之前用3张intel的A770卡跑，发现了个算是个故意为之的限制bug，vulkan中的显存分配compute buffer size大于4G会出问题，带来的问题就是20G左右的模型，设置更长上下文例如70k以上时，推理一定会出错，爬网后的解释是，intel为了老游戏的兼容性，驱动在这个地方的内存分配指针是32位的，这个就无解了，不是vulkan api的问题。B系列的计算卡不清楚是否还有这个限制，但要省心，还是n卡吧，完全没有这个问题。
下图可以直观的看到llm几部分占用显存的多少，这个是26GB大小的模型，20k上下文，闪电注意力，在三张卡里的显存占用。
页:
[1]