开源模型选型避坑指南：从Llama3到Qwen2，社区实测数据说话

兄弟们，最近社区里又炸了——Qwen2-72B刚发布，Llama3-70B也更新了，不少人在问“选哪个”。我整理了下社区实测数据，给大家圈几个重点。

先说推理成本。Qwen2-72B在单卡A100上跑FP16，延迟约1.2秒/query（batch=1），显存占用135GB；Llama3-70B优化后显存压到128GB，但同条件下延迟飙到1.8秒。如果搞生产环境，Qwen2的MoE架构在吞吐上赚10-15%。

再讲中文能力。我们用C-Eval榜单测了下：Qwen2-72B得分87.3，Llama3-70B只有78.1。关键是分词差异，Llama3处理中文多字词时，token数多出20%，直接拉高API成本。

最坑的是微调。Llama3的RoPE编码改了base=500000，很多旧LoRA脚本直接报错。Qwen2兼容性好，但注意它用了gradient checkpointing，学习率得调到2e-5以下，否则loss起飞。

最后说部署。社区实测，如果预算有限，选Qwen2-7B（量化版跑在RTX 4090上延迟才0.3秒），但长文本任务（超8K）还是上Llama3-70B，它的YaRN扩展更稳。

给结论：国内业务直奔Qwen2，国际化场景搞Llama3。别迷信参数，实测数据才靠谱。