MetaPatchAI home
免费工具

这个 AI 模型我能跑吗？

选择你的硬件。所有计算都在浏览器内完成，不会上传任何数据。结果为估算值.

你的硬件

Apple Silicon：内存为统一共享，因此请将约 70% 填为“显存”（近似值），其余填为内存。

结果

GPU = 可完全放入显存（快）。 卸载 = 还需要占用系统内存（能跑，但慢很多；已为系统预留 4 GB）。 不行 = 太大。数字为估算总 GB。

部分链接可能是联盟推广链接；如有，我们会在相应位置注明。我们如何赚钱.

估算原理

  1. 权重= 参数量 × 每个权重的位数 ÷ 8。例如，7B 模型在 16 位下约为 14 GB。每个权重的位数为 llama.cpp 的近似值：Q4_K_M ≈ 4.89、Q5_K_M ≈ 5.70、Q8_0 ≈ 8.5、FP16 = 16（llama.cpp 量化文档).
  2. 运行时开销：权重的 10% 再加 0.5 GB。这是我们的经验估计，并非实测。
  3. KV 缓存（上下文内存）：每 4K tokens 每十亿参数约 0.0125 GB。这是粗略平均值。实际占用取决于层数、注意力类型（GQA）和 KV 缓存量化，可能远高于或低于此值。

参数量为 Hugging Face 为每个官方模型仓库（表中有链接）显示的总参数量，于2026年10月30日获取。对于混合专家（MoE）模型，内存取决于总参数量，而非激活参数量。部分模型以预量化形式发布（例如 MXFP4 格式的 gpt-oss），因此实际文件可能小于 FP16 一栏。如需精确数值，请在模型页面查看 GGUF 文件大小，并为上下文预留空间。

模型列表更新于2026年10月30日。包含 2026 年发布的模型（Gemma 4、Qwen3.8、Nemotron 3.5）。超大模型（DeepSeek V4、Kimi K3、Muse Spark Open）需要多 GPU 服务器，因此未列入。