先说结论：显存是选卡的第一硬指标
在选 GPU 这件事上，算力（TFLOPS）决定”跑得多快”，显存（VRAM）决定”跑不跑得起来”。两者优先级完全不同：算力不够，你把批次调小、训练时间拉长，任务最终还能完成；显存不够，模型在加载权重的那一刻就直接报 out of memory。所以在预算允许的范围内，选卡的正确顺序是”先看显存够不够，再看算力划不划算，最后看价格和平台”。
2026 年国内市场上，24G 的 RTX 4090 时租约 1.2-2.5 元，40G 的 A100 约 2.4-2.9 元，80G 的 H100/H800 国内约 9.6-12 元，国产昇腾 910B 提供 64G 显存。价格随容量阶跃式上升，但并非所有任务都要爬到阶梯顶端。这篇文章要解决的，就是帮你判断自己的模型落在哪一个档位，以及显存不够时除了加钱换卡还有哪些补救手段。
一句话版本：7B 级模型做推理，24G 通常够用；13B 到 30B 级模型微调，40G 或 48G 是舒适区；70B 级模型不量化就很难在单卡上跑，80G 只是起点而不是终点。
显存到底被什么占用
很多人以为显存只用来放模型权重，这是最常见的误解。实际上一张卡上的显存被至少四部分同时占用，任何一部分失控都会导致 OOM。
第一部分是模型权重。参数量乘以每个参数的字节数就是权重体积：FP16 精度下每个参数占 2 字节，所以 7B 模型约 14GB，13B 约 26GB，70B 约 140GB。这是最容易被估算的一部分，也是唯一可以靠量化显著压缩的一部分。
第二部分是激活值与梯度。训练时前向传播的中间结果必须保留到反向传播使用，批大小（batch size）和序列长度（sequence length）直接决定这部分的开销。同样一个模型，批大小从 1 调到 8，激活值可能翻好几倍。这也是为什么”这个模型我用 24G 能推理但训练就爆显存”——推理只需要权重加 KV cache，训练还要额外装下梯度和优化器状态。
第三部分是优化器状态。以 Adam 系列优化器为例，它要为每个参数额外保存一阶和二阶动量，全量微调下这部分开销往往是权重本身的数倍。这就是 LoRA 这类参数高效微调方法存在的根本原因：它只训练极少量新增参数，把优化器状态的开销压到几乎可以忽略，从而让 24G 卡也能微调 7B 级模型。
第四部分是推理场景下的 KV cache。自回归生成时每个已生成的 token 都要缓存注意力键值对，上下文越长、并发越高，这部分占用越大，长上下文场景下甚至可能超过权重本身。明白这四部分，你就知道显存需求不是”模型有多大”一个变量，而是”模型规模 × 精度 × 批次 × 上下文长度”的乘积。
| 占用来源 | 大致与什么成正比 | 训练时 | 推理时 | 主要压缩手段 |
|---|---|---|---|---|
| 模型权重 | 参数量 × 每参数字节 | 必须 | 必须 | INT8 / 4-bit 量化 |
| 激活值 | 批大小 × 序列长度 × 层宽 | 必须 | 很小 | 梯度检查点、减小批次 |
| 优化器状态 | 参数量 × 倍数 | 全量微调必须 | 不需要 | LoRA / 冻结底座 |
| KV cache | 层数 × 头数 × 上下文 × 并发 | 需要 | 对话类负载显著 | 量化 KV、限制上下文 |
量级表：不同规模模型要多少显存
下面这张表给出的是”量级区间”，用来说明档位关系，不是精确值。实际占用会随框架实现、精度、批次与序列长度浮动，参考时请按自己的配置留出余量。
| 模型规模 | FP16 权重 | 4-bit 量化权重 | 推理起步显存 | 全量微调显存 | LoRA 微调显存 |
|---|---|---|---|---|---|
| 7B 级 | 约 14GB | 约 4-5GB | 16-24G 档 | 需要 80G 档或多卡 | 24G 档可尝试 |
| 13B 级 | 约 26GB | 约 7-9GB | 24-40G 档 | 需要 80G 档起步 | 40G 档较舒适 |
| 30B 级 | 约 60GB | 约 16-20GB | 40-80G 档 | 需要多卡 | 40-80G 档 |
| 70B 级 | 约 140GB | 约 35-40GB | 需量化后 80G 档 | 需要多卡集群 | 80G 档起步 |
读这张表的正确方式是看”档位跳变”而不是记具体数字。7B 级模型是 24G 卡的上限区间，量化之后 24G 可以宽松地跑推理；13B 级模型量化后能在 24G 上跑，但会比较紧，40G 会明显从容；30B 级以上开始进入 40G 到 80G 的讨论范围；70B 级模型即使 4-bit 量化后权重也需要 35-40GB，单张 80G 能装下权重，但留给 KV cache 和激活值的空间并不宽裕，这直接决定了它的并发能力和上下文长度都受限。这就是”80G 只是起点”的含义。
分水岭一：24G 能干什么、不能干什么
24G 是当前国内供给最充足、价格最亲民的显存档位，RTX 4090、4090D、3090 都是 24G。它的能力边界相当清晰。
能做的：7B 到 13B 级模型的推理服务；7B 级模型的 LoRA 微调；AIGC 出图（Stable Diffusion 系列）与视频生成的轻量场景；中小规模的传统视觉模型训练；嵌入模型、重排序模型的批量推理。
勉强的：13B 级模型的 LoRA 微调，需要把批大小压到很小并开启梯度检查点，训练速度会明显变慢；长上下文推理（比如 32K 以上），KV cache 会迅速吃掉剩余显存，需要限制并发或使用 KV 量化。
做不了的：任何 30B 级以上模型的全量微调；70B 级模型的常规推理（除非激进量化并接受质量损失）；大批次高分辨率扩散模型训练。
值得强调的是，24G 卡的性价比优势非常大：小时价只有高端卡的十分之一到五分之一，而大多数个人开发者和中小团队的实际任务——跑通流程、微调小模型、批量推理——都落在它的能力范围内。把任务硬塞进 24G 并优化批次，往往比直接租 80G 更省钱。
分水岭二：40G 与 48G 的中间地带
40G 档位主要由 A100 40G 与部分专业卡构成，48G 档位则是部分新卡的配置。这个档位的价值在于它刚好覆盖了 24G 到 80G 之间的空白：13B 级模型的全量微调、30B 级模型的量化推理与 LoRA 微调、以及需要较大批次的视觉任务，都在这个区间里找到合适的位置。
从价格上看，A100 40G 的时租约 2.4-2.9 元，相比 4090 的 1.2-2.5 元贵不了太多，但显存多出近一倍，还带来更好的企业级稳定性与互联能力。对于”24G 不够、80G 太贵”的任务，40G 档位经常是最优解。
需要区分同一型号内的容量差异：A100 有 40G 和 80G 两个版本，除了容量，显存带宽也不同，80G 版本带宽更高，对带宽敏感的大模型推理与训练影响明显。所以预算允许时，同一型号优先选大显存版本，带宽通常同步提升。
分水岭三：什么时候必须上 80G 及以上
80G 档位是 H100、H800 的主场，国内时租约 9.6-12 元。触发这个档位的场景有三类。
第一类是模型规模硬性超出。70B 级模型即使 4-bit 量化后仍需要 35-40GB 权重空间，加上 KV cache 和框架开销，40G 卡会非常紧张甚至不可用，80G 是能稳定运行的最低门槛。如果要做 70B 的全量微调，单卡无论多大都不够，必须进入多卡并行的领域。
第二类是对显存带宽敏感的场景。大模型推理的瓶颈经常不在算力而在带宽——每生成一个 token 都要把权重从显存读一遍，带宽直接决定吞吐。H100 的显存带宽远高于消费级卡，这就是它在推理场景下比同算力消费卡更快的原因。”保显存带宽”这个思路在国产 H20 的设计上体现得更极端：保留了高显存带宽，但大幅削减了算力，专为推理与显存容量敏感场景设计。
第三类是多卡训练。当模型要切分到多张卡上时，卡间互联（NVLink）的带宽成为关键。多卡训练不是简单地把卡堆在一起，互联带宽不足会让通信时间吃掉算力收益。这也是 H100 与 H800 的核心差异所在：H800 作为合规版本把 NVLink 带宽从 900GB/s 调整到 600GB/s，单卡算力相近，但大规模多卡训练的扩展效率会受影响。
显存不够时的补救清单
在掏钱升级显卡之前，先按下面的顺序排查，很多 OOM 并不需要换卡就能解决。
- 降低批大小并开启梯度累积。把批大小从 8 降到 2，显存占用大幅下降，再用梯度累积把等效批大小补回来。代价是训练变慢，但结果基本等价。
- 开启梯度检查点。用重算换显存，前向传播的中间结果不再全部保留，显存占用可显著降低，代价是训练速度下降一到三成。
- 改用 LoRA 或其他参数高效微调。如果任务是微调而非从头训练，LoRA 能让 24G 卡完成原本需要 80G 卡的工作，这是性价比最高的一招。
- 量化权重。INT8 大约把权重减半，4-bit 大约减到四分之一，推理场景下这是最直接的手段。代价是精度损失，需要用自己的评测集验证。
- 量化 KV cache。长上下文场景下 KV cache 是隐形杀手，把它量化能在几乎不影响质量的前提下把上下文长度翻倍。
- 使用 CPU 卸载或分层加载。把暂时不用的层放在内存里，需要时再换入，能跑起来但速度损失明显，适合验证与调试而非生产。
按场景选卡对照表
| 你的任务 | 建议显存 | 可选卡型 | 备注 |
|---|---|---|---|
| 7B-13B 模型推理服务 | 24G | 4090 / 4090D / 3090 | 量化后并发能力更强，成本最低 |
| 7B 模型 LoRA 微调 | 24G | 4090 / 3090 | 配合梯度检查点，性价比最优 |
| AIGC 出图与短视频生成 | 24G | 4090 / 5090 | 5090 显存与带宽更高，单价 2.68-3.28 元 |
| 13B 模型全量微调 | 40-48G | A100 40G | 时租约 2.4-2.9 元，性价比档位 |
| 30B 模型推理与 LoRA | 40-80G | A100 80G / 昇腾 910B 64G | 910B 提供 64G 显存，适合信创场景 |
| 70B 模型推理 | 80G | H100 / H800 / H20 | 需量化，注意上下文与并发预算 |
| 70B 级多卡训练 | 多卡 80G | H100 / H800 集群 | 关注 NVLink 带宽与扩展效率 |
常见问题
显存和算力，预算有限时先保哪个？
先保显存。算力不足只影响速度，显存不足直接导致任务无法运行。在同一个价格区间里，如果一张卡算力高但显存小，另一张算力略低但显存大一档，优先选显存大的那张——尤其是涉及模型规模、批次或长上下文的任务。只有在任务显存需求已经明确满足后，才轮到用算力去换时间。
为什么我的模型在 24G 上能推理，一训练就爆显存？
因为训练要比推理多存三样东西：激活值、梯度和优化器状态。推理只需要权重加 KV cache，训练还要为反向传播保留中间结果，Adam 类优化器还会为每个参数额外保存动量。三者叠加，训练显存需求经常是推理的数倍。解决办法是改用 LoRA 只训练少量新增参数，或者开启梯度检查点、减小批大小。
量化的精度损失能接受吗？
大多数场景下可以，前提是你用自己的评测集验证过。经验上 4-bit 量化在通用对话与检索类任务上的质量损失通常可控，但在需要精确数值推理、代码生成或长链推理的任务上，损失会更容易被察觉。建议的做法是：先在量化模型上跑一遍你的真实任务集，对比几个关键指标，再决定是否上线。
多卡能解决显存不够的问题吗？
能，但代价比想象中大。多卡方案需要模型并行或张量并行，卡间通信开销会拉低扩展效率，而且对互联带宽有要求。在小规模场景下，租一张大显存卡通常比租多张小显存卡更省心也更省钱；只有当单卡显存上限（目前 80G 级）确实装不下模型时，多卡才是必选项。
昇腾 910B 的 64G 显存在哪个档位？
介于 40G 与 80G 之间，接近 80G 档位的能力下限。910B 提供 64G 显存与 1.6TB/s 带宽，FP16 算力约 280 TFLOPS，对位的是 H20 一类的推理优化型卡。它适合有信创合规要求、或希望为供应链风险做对冲的团队；代价是需要经历 CUDA 到 CANN 生态的迁移适配期。
避坑清单
- 只看参数量估显存。权重只是四部分之一，遗漏激活值、优化器状态与 KV cache 是 OOM 的头号原因。
- 忽略批次与上下文的影响。同一个模型批大小和序列长度一变，显存需求可能差出几倍，评估必须按真实配置来。
- 把 24G 当成万能卡。它性价比很高但有明确边界，30B 以上的全量微调不要指望它。
- 跳过 40G 直接上 80G。很多任务在 40G 档位就能舒适运行，跳过中间档等于白付溢价。
- 不做量化验证就上线。量化确实省显存，但精度损失要在自己的任务上验证，不能只看论文数字。
按画像给建议
- 个人开发者：从 24G 起步，用 4090 或 4090D 把 7B 到 13B 的推理和 LoRA 微调跑通。只有当明确撞上显存墙时，才考虑升到 40G 档。像 AutoDL 这类零售向平台提供了丰富的 24G 卡型，适合按小时试错。
- 中小团队：把 24G 作为开发与推理的主力，40G 档作为微调与中等模型的补充，80G 留给真正的刚需场景。建议按任务类型给不同卡型设定默认值，避免所有人都默认申请最贵的卡。
- 企业与研究机构：先按模型的显存需求曲线做容量规划，再叠加合规与稳定性要求。涉及 70B 级模型或多卡训练时，把互联带宽与扩展效率纳入评估；有信创要求时，可同步评估 64G 显存的国产方案。
回到最初那句话：显存决定跑不跑得起来，算力决定跑得多快。把这句话当作选卡的第一原则，配合上面的档位表与补救清单，你就能用最小的成本把任务放进合适的卡里，而不是在 OOM 与账单之间反复摇摆。所有价格与规格请以平台官网实时披露为准，本指南提供的区间仅用于建立量级感。