大模型显存怎么省？聊聊量化、FlashAttention、PagedAttention

兄弟们，大模型部署最头疼的就是显存爆炸。一张A100 80G跑个LLaMA-65B都费劲，更别提生产环境。今天直接上干货，聊几个实际能用的优化手段。

首先，量化是必选项。INT4/INT8量化能把模型体积压到1/4甚至更小，精度损失能接受。推荐用bitsandbytes的NF4或GPTQ，推理速度不拉胯。但别一上来就量化全精度，部分层（比如attention的QKV）保持FP16效果好。

其次，FlashAttention和PagedAttention这俩玩意儿是真香。FlashAttention通过分块计算和IO优化，把attention的内存占用从O(n²)降到O(n)，长序列场景下直接省一半显存。PagedAttention则是vLLM那帮人搞的，把KV cache按页管理，避免碎片化，吞吐量能翻倍。

另外，模型并行也别瞎搞。张量并行对通信要求高，数据并行则简单粗暴。小团队建议先用DeepSpeed ZeRO-3做参数分片，零冗余，显存省得明显。

最后，分享个实战经验：用HuggingFace的`model.half()`转FP16，再配合`gradient_checkpointing`，对单卡A100跑7B模型基本稳。

提问：你们在部署大模型时，遇到最蛋疼的显存瓶颈是哪一块？是attention还是前馈层？出来聊聊！