大模型内存优化三板斧，省显存还能跑得更快

兄弟们，模型越来越大，显存越来越贵，咱搞部署的谁没被OOM搞过？今天聊聊大模型推理时的内存优化，直接上干货。

🔧 第一板斧：量化，别心疼那点精度。INT8甚至INT4量化，能把模型体积压到1/4，推理速度翻倍。现在主流框架像llama.cpp、TensorRT-LLM都支持，部署时试试GPTQ或AWQ，效果稳得一批。

⚡ 第二板斧：KV Cache优化。Transformer推理时，KV Cache是显存大户。用PagedAttention（vLLM那套）动态管理，或者做Shared Prefix Cache（多轮对话复用），轻松省30%以上。别傻傻全量缓存，那是给GPU上坟。

💡 第三板斧：模型并行与卸载。单卡塞不下？Tensor Parallelism分片到多卡；还不行？CPU Offload把不常用的层扔到内存。DeepSpeed ZeRO-3和FlexGen都能干这事儿，就是得调好batch size，别让通信成了瓶颈。

最后抛个问题：你们在实际部署中，遇到过哪些奇葩的显存bug？比如某个算子突然爆显存、或者量化后精度掉得离谱？欢迎分享经验，一起踩坑。