v100显卡本地部署教程
粉丝10获赞17
相关视频
03:22查看AI文稿AI文稿上一期咱们聊了怎么选大模型，今天咱们就好好掰扯掰扯这个最费钱，也最容易引发家庭矛盾的话题。大模型硬件怎么选？ 有人说几百块的洋挖机就能跑，有人又说不上几万块的顶级卡根本没法用。其实你仔细往下看，会发现，这两波人都没撒谎。为什么呢？因为大模型的硬件门槛核心根本不是单纯的贵不贵，而是取决于你到底要用它来干嘛。它主要看三个维度，你跑的模型参数有多大， 你用的计算精度要求是什么？还有你具体要做什么任务，今天我就把这些底层逻辑给你拆解清楚，你就能明白为啥有的模型能用洋垃圾搞定，有的却必须上顶级配置。你有没有想过，好几年前的特斯拉 v 一 百显卡，性能明明远不如现在的四千零九十，怎么到二零二六年还能接着用？ 好多人觉得电子产品不都是买新不买旧吗？这里面其实藏着一个你可能不知道的技术。底层逻辑常温本推理的核心，不是看你显卡瞬间能爆发多大的算力，而是看它能不能把显存占用控制好。 啥是推理过程？就是模型逐个 token 生成内容，你输入一个问题，模型一个字一个字的往外蹦。这个过程单次计算量其实不大，不需要显卡一下子把所有算力都拉满。再加上到二零二六年，主流的大模型，无论是 m o e 架构还是 linear 架构，都做了特别多的优化，不像以前那样疯狂压榨显卡的算力和显存了。 所以啊，如果你只是想跑个上下文推理，对生成速度要求不是那种必须秒出的话，像 v 一 零零反而能靠着他的显存优势继续发挥余热，真就是老兵不死。但你要是想玩纹身视频，那老卡就彻底卸载了，哪怕只是生成一个十秒的短视频，老显卡几乎都没法流畅运行，这到底是为啥呢？ 首先，计算量级完全不是一个级别的。你想啊，纹身图只需要生成一张图片，而视频是一针一针连起来对竹针生成，还要保证针与针之间的连贯性，这个瞬时算率需求是纹身图的几十倍甚至上百倍。其次，核心技术也不支持，现在的纹身视频模型特别依赖光线追踪和针尖融合技术，这些技术都是近几年才成熟起来的 老旧显卡根本没有对应的硬件核心优化，你强行让他跑出来的视频，要么是帧断裂，画面一卡一卡的，要么是模糊不清，细节全没了，再不然就是色彩失真，跟加了个奇怪的滤镜似的，根本没法看。 所以啊，如果你要做视频生成，多模态融合，或者是做那种高并发的业务，那就必须得上高算力大显存的多卡系统方案。说了这么多，可能你还是想问有没有直接能抄作业的配置方案。别急，我给你准备了两套，你照着来就行。 第一套是入门级的洋垃圾方案，预算五千元以内的搞定，适合个人用户。比如你只是想体验体验 ai， 跑个推理，写个代码，或者平时生成几张图片玩。 cpu 方面选爱奇八七零零 k 或者 e 三二六六六 v 三起步就行。显卡的话可以考虑特斯拉 v 一 零零十六 g 或者 rtx 三零六零十二 g， 内存至少要三十二 g d d r 四，别省这个钱。内存小了，模型跑起来容易卡顿，体验感会很差。这套配置能用极低的投入让你体验到 ai 的 魅力。 第二套是企业级专业方案，预算大概在三万到四万以上，适合专业工作室或者需要二十四小时高强度作业的企业。 企业用户最在乎的是什么？是稳定性。如果机器因为配置不够中途撂挑子，损失的可不仅仅是那点设备钱，更是整个业务的进度，耽误的可是真金白银。所以这类需求建议直接上高性能整机，支持多卡兼容和大容量内存。 最后我想说，其实没有最好的设备争论哪款显卡更好，哪套配置更强，其实意义不大，核心还是看你要解决什么问题。 如果你只是好奇，想体验一下 ai， 那 完全可以先从低成本的洋垃圾方案试水，感受一下 ai 到底能帮你做什么。如果你有明确的生产需求， 比如要用 ai 来赚钱，那最好一步到位。记住啊，技术的价值从来不是追求高端，而是解决问题，理性选型，按需部署，别花大价钱买了一堆昂贵的显卡，最后却因为用不上，只能用来盖泡面，那就太可惜了。
39琦观智界
01:34查看AI文稿AI文稿别瞎买 ai 纹身视频，本地部署显卡，显存选错全白费！兄弟们是不是按照网上的教程买了显卡，结果纹身视频不是报错就是崩溃？今天一分钟带你了解这里面的核心坑！纹身视频吃的是显卡，显存不是算理。以主流十五 b 模型为例，光是加载模型就 存二十六到二十八个显存，每生成一秒视频就要花费一到三个 g 的 显存，五秒视频直逼三十个 g， 十秒视频直接突破了五十个 g。 所以 说显卡怎么选？二十四 g 的 三零九零直接 pass， 根本不能用四十八 g 的 rtx， 四零九零勉强能够用，但是仅限于短片段。七十二 g 显存的显卡，十秒以上的视频是 八十 g 以上的显卡，比如说 h 一 百或者六千，企业级首选，稳定不翻车。这里有三个点要注意一下。首先第一点，内存配七十二 g 的 显卡，首先内存要大于一百五十二 g， 不 然模型加载到一半突然就崩了。硬盘必须选用 n v m e 的 硬盘，机械硬盘加载几十个 g 就 能把人给逼疯。 持续高负荷下，显卡过热降频会导致出片速度腰斩甚至死机。所以说呢，散热和硬件都得同步规划。这里呢，不同场景也要适合不同的方案，比如说个人玩家，二十四 g 到四十八 g 显存，配个六十四 g 的 内存加两 g 的 固态够用不浪费。工作室七十二 g 显卡加一百二十八 g 内存，加四 t 的 十秒视频稳定出片。企业团队八十 g 以上的显卡或者是双卡，一百九十二 g 内存批量出边，不用等待，记住，想要多长的视频就需要多大的显卡，别搞反了，我是专业做工作站以及服务器的，有预算和需求的后台找我，我给你定制专属你的方案。关注电子华图，带你了解更多的小知识！
12装机台台秒彭总
01:02查看AI文稿AI文稿我们装好这种本地部署大模型之后呢，发现他能力很弱啊，比如说线上的豆包，他又能看天气，又能联网，他又能看你的表格，但是传统的大模型没有这个功能，所以说我们会在这里给他添加很多的技能，比如说这个技能呢是让他去看电脑上面的文档，那这个技能呢是查看天气 啊，这个技能呢是去联网等等。比如说我们来演示一下去看企业内部的文档，这个是我们做的一个聊天窗口，然后在这里上传一个文档。比如说这个是我们一张显卡的测试报告，然后让他出一个方案给客户， 那这个时候呢，他就会根据我们这张显卡的测试报告去分析给客户，可以看到他这里是有自动的，再去写代码去 分析这个报告。这样的话呢我们很方便的就可以分析企业内部的一些比较私密的数据了，因为很多我们行业只有你家有数据，但是其他同行没有。这个时候呢，如果说你把这个数据传给线上的一些 ai 去解读的话，那么相当于你的数据所有人都知道了。那么你的本地模型需要怎么搭建？需要什么技能？我们可以聊一聊。
52算力飓风
00:57查看AI文稿AI文稿现在是双卡的状态，电脑是 v 一 系统， 可以看到四零六零 t i 和 v 一 零零， v 一 零零可以跑快三点六三五 b 模型和英伟达模型，大家可以看我往期测试作品。首先先用 ddu 工具把已有的显卡驱动清空一下， 选择显卡，再选择清除并重启， 然后安装柜子这个驱动，这个是 v 一 零零的，一定先装这个直接默认安装即可。 然后安装另一个驱动，这个是四零系列的这个后装这个安装的时候记得选第二个选项，安装完就可以看到是两张卡了。
15雨林木风📷
01:26查看AI文稿AI文稿deepsea v 四本地部署门槛直接劝退，起步就要四张币两百。大家好，我是 ai 学习的老张。 v 四这次最狠的不是参数，是把 em 上下文做到了极致。 bf 一 六的 k v cash 在 em 下 每条续列只要九点六二 g i b 比 v 三点二那种估算小了将近九倍。 代驾驶注意力机制堆成了五层蛋糕， m l a 之上叠 k 和微共享，再叠 c 四 a 和 c e 二八 a 两种跨头可压缩，再用 d s a 稀疏选 top k， 最后还要 swv 滑动窗口保留局部信息。 indexer 用 f p 四 attention cache 用 f p 八，又能再砍一半显存， 省下来的显存全是工程站 v l l m 这一侧把逻辑块统一定死两百五十六个原生头啃压缩器残差直接当 s w a 处理， 所有 page size 归到三个桶，再叠三处，内核融合加多流并发，才把这套机制喂进 gpu。 我 的判断很直白，个人用户想本地跑 v 四，短期内别想了， 真正能吃到红利的是手上有 h 两百和 b 两百集群，又要做长文档分析和多轮 agent 工作流的 infor 团队。
185Ai 学习的老章
02:43查看AI文稿AI文稿四张 a 一 百显卡，三百二十 g 显存 g 加 ms 零三 c 一 零主板，装一台深度学习服务器 cpu， 第五代志强六五三零可扩展处理器 g 加 ms 零三杠 c 一 零服务器主板，六十四 g d 五 r e c c 内存四条，总量二百五十六 g 显卡，英伟达 a 一 百八十 g 显存四张总共三百二十 g 显存硬盘一个 nv 二 e t s s d 加一个四 t 企业级机械硬盘，塔式六导管散热器一个巨龙三千瓦全模组电源， idc 机房，刀片式服务器机箱。
245九尾狼中小企业工作站
07:33查看AI文稿AI文稿哈喽，大家好，记录一下本周关于本地部署千万三点五大模型的一个进展。 呃，目前的话，我个人的一个结论仍然还是倾向于用拉玛 c p p 去本地部署千万三点五的大模型。那么这张图的话呢，是我在本地的一个测试效果， 可以看到，在我的机器上，即使这个上下文跑到十六 k 的 一个长度，那么仍然可以做到二十五个透刻每秒， 那么显存占用是大概是二十二十二个 g 左右啊，那么也就是在三零九零这样的显卡上就可以去运行这样的一个模型，那么 ram 的 话，这样的很少，基本上几个 g 就 够用了啊，所以说这是我目前的一个结论 啊。然后再来具体说一说我是怎么样来部署 v o m 的， 然后以及怎么样来做的一些测试和对比。 好，首先的话呢，是 v l m 的 一个安装部署，那么本周的话呢，出了零点一七点一的这样的一个稳定版本， 那么很激动啊，出了之后赶紧去这个官网啊，按照教程去装了这个 cu 十三点零啊这样的一个版本 啊。但是很遗憾的话呢，我在部署的时候遇到了这样的一个问题，也就是一旦装 cu 十三点零这个版本的时候的话呢，它总是会运行的时候报一个 cublas 出谋划这样的一个错误 啊，当然也尝试了一些解决方案，像升级 driver， 升级扩展二 kit， 包括安装不同版本的 cublas。 那 目前来讲的话呢，我尝试这几种方案都没有去解决这样的问题，所以很遗憾的是，最后的话呢，只能去 退回到这个官网给出来的十二点九的这样一个版本，也就是我所有的测试和这个运行都是在这个官网十二点九的这个版本基础上啊，然后来做的好，然后来说一下我的测试脚本 啊。测试脚本的话呢，是， 呃，直接在这里调用的这个 openai 的 一个 api 接口啊，然后测试了不同上下文长度的一个效率啊，简单用 python 写了这么样的一组代码啊。 呃，然后重点来看一下就是我是怎么样来启动的这个脚本。 好，那么 vl m 里面的话呢，我是直接用的这样的一个脚板去启动它，当然的话呢，也尝试了这个不同的量化模型，然后一起来看一下这个结果。 呃，首先是官网给出的这个一个量化模型， 那么在这里的话呢，可以看到在我自己的机器上啊，我的机器是这个英特尔的一零九八零 x， 嗯， cpu 的 话十八核三十六线成，然后九十六 g 的 ram 加上 rtx a 六千啊，四十八 g 现存这样的一个显卡。 嗯，可以看到在我的机器上的话，当这个十六 k 的 上下文的时候，其实只有二十个投款每秒左右， 然后显存和内存的变化量的话，基本上没有什么变化，当然 v o m 的 话，本身它就会一次性的把这个需要的显存和内存都已经升平啊，占用的差不多，所以它基本上没有什么太大的变化， 当然这个效率来讲的话，很显然和我本地部署的拉马 c p p 的 这种方式还是有一点点小的差距的啊。好，这是官网给出来的第一种量化模型，然后也尝试了另外一个这个第三方给出来的量化模型， awq 的 量化模型， 嗯，可以看到这个十六 k 的 上下文的情况下，它这个仍然也是大概二十出头啊，投款每秒，然后内存和显存基本上是一致的。 然后还有一个情况的话呢，是这个关于 vlm 的 啊， vlm 的 话，其实我尝试了启动的不同的参数，这个里边影响最大的可能是这个 mtp 的 一个参数的一个配置，也就在我的脚本里边，我尝试把这个 mtp 给它设成二 啊，一旦设成二之后，这个效率会明显的有一个提成啊。先说它的好处 来，这是我当 m t p 等于二的时候，这样的一个效果，可以看到的话呢，一零二四的投看上一零二四的上下文的时候，投看能做到五十多， 然后十六 k 的 上下文的时候呢，投看仍然能够做到三十五三十六左右，所以这样的一个效率来讲的话呢，是非常好的，也就比拉曼 c p p 还要值钱，这个 v l m 啊，它基本上能够提升小一倍的这样一个效率 啊。但是很遗憾的是，在我的本机上也会有一个小小的问题，那就是一旦这个 m t p 给它配成二甚至二以上，说到五的时候，然后在实际运行模型的时候，它会报这样的一个 啊，也不算是错误吧，就是这个张亮的维度已经不一致了啊，因为他每次要预测两个头盔吗啊，所以的话呢，导致这个模型运行的时候不是很稳定啊，可能对话几轮之后，这个整个程序就崩掉了啊，就模型就死掉了 啊，所以的话，后期看一下这个问题能不能解决，如果这个问题能够解决的话，其实我还是挺倾向于用这个 v i m 去本地部署的啊， 好，那么这是关于 v l m 啊，去部署前文三点五的一个情况，然后除此之外的话呢，也还对这个阿玛 c p p 做了一个简单的一个测试， 也就尝试去部署了一下不同的模型啊。首先这个是二十七 b 的 一个量化模型，然后上下文呢，一直测试到了二百五十六 k， 那就是整个模型的一个极限，可以看到的话呢，在这个上下文大于六十四 k 的 时候，其实这个效率来讲就已经有很显著的一个下降了 啊。当然的话，上网上去查了一些资料，大家也都说这个百分之九十九以上可能的这个应用场景，六十四 k 的 上下文已经足够用了，所以的话呢，目前就想打算先用这个纤维三点五啊，二十七 b 拉满 c p p 这样的一个部署环境 啊。然后还有的话呢，就是我也测了一下这个三十五 b， 这个明显会快很多啊，因为他是这个 a 三 b， 也就每次只激活三 b 的 参数，所以的话明显可以看到这个 token 啊，在这个六十四 k 上下文的时候，基本上还能做到四十加将近五十这样的一个 token 每秒。 然后最后的话呢，也测试了一下我本机的一个极限，也就是一百二十二 b 的 这个模型，这个是我显存能够容纳的最大的一个模型了啊，可以看到即使上下纹很小啊，一零二四的时候仍然这个头款只有十个左右， 所以的话呢，暂时就放弃了一百二十二 b 的 这样的一个模型啊，后面的话会用这个二十七 b 和三十五 b 这两个模型去做一些啊，上层那些应用吧。啊，然后到时候有机会再给大家录一些后续的视频。好，今天就到这里。
42王耀鐭
07:22查看AI文稿AI文稿大家好，我们是数码 ai 服务器啊，最近我们客户拿我们的 v 一 百想部署生产啊，它的场景比较特殊，它的场景有一个很长的一个上下文，大概有这个五万字啊， 很长一个上下文啊，你可以看到有这个这么多字节，十六万的一个字节啊。所以一开始我们给客户说的是这个 r m studio 啊，啊？ studio 这个，那么他比较方便啊，我们一开始测的话，测的他都没有什么问题，比如说我，我测一个论文他都能正确的这个回答这个答案。 但是我们客户拿到之后呢？他发现有个问题啊，就比如说第一次，呃，输入没问题，对吧？第一次输入长文，他能正常回答，但是过一会就不行了，你可以看到他这个他在不断加载，对吧？这个在不断加载。 我是三十二 g 的 这个 v 一 百，然后他第一次回答有时候是 ok 的， 但是第二次回答是不行的，你看这里面有 feel 了， 所以说就有时候可以，有时候不行，当我们第一次测的时候，他是可以的，你看他会意外的报错，有时候他一旦报错的话，我们再怎么加载都不行。你看这是我们之前试过的，都是 ok 的， 都同一个模型，消耗三点六次二十七比。所以这块我们也是给客户排查了很长时间，不知道为什么，什么原因， 包括我们客户还发现一个什么问题啊？就是说你第一次回答都是正常的，然后他重新把这个模型卸载掉，然后再起一个新的对话框， 然后重新加载，这又出现乱码了啊，他现在把这个刚才好的这个对话框的模型卸载掉，然后他重新加载一个模型，删除掉这个对话，重新加载一个模型。 既然出现乱码了啊，就很奇怪啊，我们一开始以为是我们模型啊，或者是 v 一 百的问题啊，最后搞了半天发现 可能是这个 rms studio 本身的一个问题啊，因为我们用欧拉玛，同样的这个 v 一 百显卡用欧拉玛跑是没问题，但是欧拉玛本身它量化的不不好啊，不准，所以我们不能用欧拉玛啊，最后我们不得不选择这个 拉玛 c p p 啊，拉玛 c p p 没有问题，所以这里给大家分享一下。呃，但是客户要生产，要稳定，而且要多并发，所以我们觉得就是长下文场景，它不适合用这个 ios 浏览器啊，虽然它可以做成这个 api 的 一个形式，但是它可能考虑的不太没有考虑到长长下文啊，长下文的话，这个我们测还是有些 bug 的 啊，所以怎么办呢？我们给大家推荐的是这个，这个拉玛 c p p， 拉玛 c p p 实际上是用 c 编写的啊，看 c c 加加编写的这个平台兼容性更好，它可以适适应更多的很多的平台，包括苹果啊，包括，呃，这个 cpu 啊，包括这个 amd 的 gpu， 还包括这个升腾的这个 npu， 还包括这个呃， 摩尔县城的这个框架，包括英特尔框架他都支持，兼容性非常好啊，然后他通过命令行的方式就可以运行这个 g g u f 格式的这个模型，而且这个 g g u f 它是经过量化的啊，模型比较小，而且运行起来也没有任何问题啊，可以充分适配你的小的一个显存啊，而且运行非常简单， 我们试了一下，这个效果是没有任何问题的，而且可以支持多病单，而且适合做这个生产级的一个部署啊。呃，尤其是你可以用它这个拉马 siri 来部署这个 g g u i 后台模型，跟接口有跟这个其他的 api 接口是一样的啊，最后你只要访问这个八零八零端口就行了，跟用 open i 的 接口是一样 啊，同时它有很多很好的功能，比如说适合这个多人使用，对吧？ multi user 啊，引发，然后适合这个，呃，两个模型组合起来使用啊，如果是小的，它可以充分的发挥这个模型的一个特点啊，各自优势。 呃，比如说这个模型先做一个初步判断，然后再丢给下一个模型，这样可以节省很大的一个算力啊，包括它还有一个非常强大的模型，同时它还有一个 很好的功能，就是你可以测试你显卡的这个速度啊，能力怎么样？算力怎么样？你只要运行拉马半尺，然后加载你这个模型，你就可以看到它的一个速度了啊啊， 这个速度分别是这个输入处理，还有一个生成的一个速度，一个对比，所以我们跑了一下，感觉这个以后这个拉拉 cpb 也是一个比较好的一个生产化部署的一个呃工具，然后包括它也支持这个 dock 部属，既有这个完整版，也有这个清清面板，然后还有 server 版，然后完整版就包括一个图形化界面啊，包括一个转版啊啊。 server 就是 只有接口，然后它既包括酷大十三，也包括酷大十二， 然后还有各种不同的适应的不同的环境，英特尔、 amd 啊，包括这个 apple 啊，这些都有。然后你 dock 更方便一些， dock 你 就直接运行啊， 这样的一个命令就可以了啊，前提是你要装这个雕刻软件，以及这个英伟达的这个呃，扩大的一个环 toolkit 的 环环境啊。好，然后之后我们也测试了这个，包括多病发的一个测试，效果都还不错，所以这里推荐给大家。那接下来呢，我们也会给大家相应的出一些 更多的一些视频，包括我们怎么跟我们爱马仕进行一个整合，我们测了一下爱马仕这个效果也是非常不错的啊， ok， 这个版本是它比呃 openclaw 要更好一点，速度也更快一点。好，谢谢大家。这是今天内容啊， 大家可以看到客户会用到我们的这个显卡，并不是说我们只卖显卡，我们后续有什么优化的问题，包括在生产上使用的问题也可以找我们来解决。有些是行业内呃，这个专业人士也没有遇到过的，比如说刚才我们说到这个， 呃，常上要问的一个 bug 的 问题啊，很多人不会跟你说怎么去处理这个问题，但是我们会告诉大家应该去怎么处理啊，并且我们把这个保证我们的显卡为一百这样的显卡数据中心的储备显卡能够发挥它更大的价值，虽然它比较老啊，但是它的性价比我们认为还是非常 适合做大冒险推理的啊，尤其是适合 z 阵的时代，然后买这个，你看我们 kimi， 这个我问了一个你好，问了一句话，他就扣我一块多钱，所以 以后肯定会越来越多的客户选择买我们的这个 v 一 百这个显显卡，这个一张卡才三十二 g， 才三千多块钱，然后十六 g 的 更便宜，十六 g 的 才一千多块钱，只要用的比较多，你买这个显卡自己自由化部署。你的这个爱马仕 rocco 还是非常方便 啊，是能省一大笔钱，而且你可以干很多其他的事情啊，相对来租的话就比租的要划算很多啊，也能充分保护你的这个数据的一个隐私。 好，接下来我们会介绍更多的这个 c 优化这个爱马仕这个内容啊，欢迎大家点赞关注，并且长期 follow 我 们的最新的一些视频的记录啊，最新的一些实用的一些工具啊，我们是萌爱，欢迎大家关注我们。好，谢谢大家。您看一下，我试了一下拉马 c p p， 这个没问题， 而且可以支持多病发，速度都 ok 的， 都没有崩溃啊，报错乱码什么的，我是三卡三十二 g， 然后运行这个前三点六 q 四，这都没问题啊，速度还可以，速度同时运行的话，每个能达到十几，二十，一个是二十，一个是十五，这速度还可以，结果也是比较对的， 这说明 v 一 百还行， v 一 百能用。
14数萌AI服务器
01:57查看AI文稿AI文稿你有没有遇到过这种情况？网上搜了一圈纹身视频，点击部署的教程，显卡买回来了，跑起来直接报错，视频生成一半直接崩掉了。问题出在哪呢？出在没有人告诉你，纹身视频模型吃的是单卡选存， 不是算。我来给你拆一下。以目前主流的十五币的参数人文生视频模型为例，模型本身加载完显存，就先吃掉大概二十六到二十八个 g， 这还没有开始生成视频，然后你每生成一秒的视频，再吃掉大概一到三个 g， 你 想生成五秒的片段，总显存占用直接充到三十个 g 以上，十秒的视频五十 g 起步。所以我直接告诉你， 二十四 g 的 显卡就别碰了，跑不动，浪费时间。四十八 g 的 显卡，比如四零九零系列，能跑只能说勉强够用。七十二 g 显卡，十秒以上生产级的首选，稳定输出不会掉链，八十 g 十五秒长视频批量出片，这才是真正的生产。 那除了显卡还有哪些坑呢？七十二 g 的 显存，内存至少上一百二十八 g， 不 然模型加载到一半，内存先撑死了。第二个硬盘速度跟不上，纹身视频类的模型权重动则是极易用，机械硬盘加载，你能等到怀疑人生。固态硬盘 ncm 协议，这是基本门槛。第三个就是你的散热没有考虑， 纹身视频是持续高覆盖的场景，显卡长时间饱满，温度上去就会降频，边速度直接会腰斩，严重的话直接会死机。重启 散热方案必须和硬件配置一起规划，这个是不能使后果。那到底该怎么配呢？我给你个清晰的方案思路，像是个人创作这个轻量生产使用二十四到四十八 g 显存，显卡加六十四 g 内存加两 g 固态，够用还不会浪费。 像工作室中等生产七十二 g 显存，显卡加一百二十八 g 内存加四 g 固态，十秒以上视频能够稳定出片，像高频批量出片，企业团队要用的 八十 g 以上的显卡或者双卡的方案，内存要拉到一百九十二 g 以上，这才是真正的效率去记。记住这么一句话，纹身视频本地部署，想挣不够，一切都是无用功。买之前你要算清楚你要生成多长的视频，再倒退显卡的型号， 不要反过来，我们本来就是做高性能工作站和服务器，你可以告诉我你的预算和需求，我来可以给你出方案，后台可以找我。
32赋欣科技服务器
