大模型内存优化三板斧：剪枝、量化、蒸馏实战经验

搞大模型部署的兄弟都知道，显存是硬伤。一张A100才80G，随便一个7B模型就占满，更别说做批量推理了。这几年我在社区里折腾了不少优化手段，今天聊聊真正能落地的三个方向，供大家参考。

**① 剪枝（Pruning）**
不是所有参数都是爹。结构化剪枝直接干掉冗余的注意力头或层，非结构化剪枝更狠，但需要硬件支持稀疏计算。实测用SparseGPT把LLaMA-2-7B压到60%密度，困惑度只涨了0.3，显存直接降了30%。推荐工具：Neural Magic库。

**② 量化（Quantization）**
从FP16降到INT8是入门级，现在都玩GPTQ和AWQ了。4-bit量化后，70B模型能塞进单张4090，但得注意校准数据集要匹配任务，否则输出会崩。我踩过坑：用C4校准的模型做代码生成，结果全是乱码。

**③ 蒸馏（Distillation）**
学生模型学老师，适合固定场景。比如用GPT-4蒸馏出专用小模型，参数量少一个数量级，推理速度翻倍。缺点是训练成本高，得先跑老师。

**抛个问题：** 你们在实际部署中，最常卡在哪一步？是显存不够、延迟过高，还是优化后精度崩得太厉害？欢迎评论区聊聊踩坑经历。