笔记本跑 7000 亿参数 GLM：用 SSD 当显存火爆 GitHub

GitHub现在最火热的大模型开源小蜂鸟Colibrì是个啥？

25GB笔记本硬跑744B GLM-5.2，32GB内存挑战2.8T Kimi K3——

GitHub现在最火热的大模型开源小蜂鸟Colibrì，纯C实现、零引擎依赖的分层推理框架，已经狂揽32k Star。

正常情况下，744B的总参数规模已经让普通消费级电脑望而却步，但Colibrì的办法可以说是相当简单粗暴：

模型里暂时用不到的部分，直接扔在SSD里；等推理真的需要哪个专家，再现场从硬盘把它捞出来。

于是，GLM-5.2经过int4处理后大约372GB的权重，可以在最低16GB、推荐24GB左右RAM的机器上运行，GPU甚至不是必需品。

作者最初验证它的开发机，也只有12核CPU+25GB RAM。

现在，Colibrì已经不满足于744B了。

它目前已经覆盖9个模型家族，从GLM-5.2/5.3、DeepSeek V4 Flash、Qwen，一路支持到了975B的Inkling，以及2.8T参数的Kimi K3。

虽然后者需要大约1.6TB硬盘空间，但RAM要求只要32GB起步。

Colibrì能这么玩，首先得感谢这两年越来越流行的MoE架构。

以GLM-5.2为例。虽然整个模型足足有744B参数，但MoE并不会在生成每个token时把744B参数全部计算一遍。

它会先通过Router判断：这个token该交给哪些"专家"处理？然后只激活其中一小部分。

GLM-5.2总参数744B，但每个token实际激活的参数大约只有40B，这就留下了一个很大的操作空间：

既然绝大多数专家当前根本用不上，为什么非得把它们一直放在昂贵的高速内存里？

于是Colibrì干脆把模型拆成了常驻和临时调用两部分。

Attention、Embedding、共享专家这些每次推理都要用到的Dense部分，大约17B参数，int4之后只占约9.9GB，直接常驻RAM。

GLM-5.2有19456个路由专家，int4之后整体仍然要占大约370GB。

Colibrì索性把它们全部放到NVMe SSD。

模型开始生成token之后，Router先选出当前真正需要参与计算的专家；Colibrì再检查它们是否已经在高速内存中，没有命中的部分，才临时从SSD读取。

以前运行大模型的思路大致是先想办法把模型装进显存/内存，再开始计算。

Colibrì相当于把这事儿倒过来了，需要什么，我再加载什么。

作者JustVugg把这种方式类比成了一个针对模型权重的JIT。

传统JIT不会提前编译整个程序，而是观察哪些代码真的在运行，再处理热点路径。

不把744B参数看作必须始终驻留在内存中的整体，而是将它变成一堆可以根据Router结果，在SSD、RAM和VRAM之间动态调度的数据。

当然，如果每生成一个token都从SSD里现找专家，那电脑估计得读盘读到怀疑人生，速度恐怕也相当感人。

事实上，在Colibrì最早那台12核CPU+25GB RAM的开发机上，GLM-5.2冷缓存时确实只有大约0.05～0.1 token/s。

所以，Colibrì接下来花心思的地方就是：

怎么尽可能少去SSD里捞专家，如何让SSD、RAM和VRAM协同工作。

它把VRAM、RAM和NVMe SSD组织成了一套分层的模型内存系统。

基本原则很好理解，越常用的专家，住得越近。

已经待在VRAM或者RAM里的专家，直接计算；

最近刚刚使用过的专家，会尽可能继续留在RAM缓存里；

真正不常用的专家，才继续待在SSD里，需要时再读取。

为此，Colibrì首先加入了LRU缓存。

最近被调用过的专家会优先留在RAM里，如果后面的Token又点中了同一个专家，就不需要重新跑一趟SSD。

同时，Colibrì还会在运行过程中不断记录不同专家的使用次数。

跑得越久，它越清楚哪些专家是真正的"常客"。

这些高频专家会获得更高的缓存优先级，被尽量留在速度更快的存储层。

而且Colibrì还不满足于等Router点完名再行动，它甚至会提前猜下一层要找谁。

根据项目测试，相邻层之间的专家路由存在相当明显的相关性，提前一层预测专家的可预测性达到71.6%。

于是当前这一层还在计算的时候，Colibrì就可以在后台提前读取下一层可能需要的专家。

一边算一边读，原本串行发生的计算和SSD I/O被尽可能重叠起来。

如果机器里正好有两块SSD，Colibrì支持放置第二份模型副本，把专家读取任务分摊到不同硬盘上，并行利用两块盘的带宽。

这么一套操作下来，它更像是给MoE模型做了一套权重分级调度系统。

容量最大、最慢的NVMe负责兜底；RAM负责缓存更多常用专家；

如果有GPU，VRAM则继续接住最适合放进高速内存的部分。

哪里快，就尽量把最常用的权重往哪里搬；哪里空间大，就负责装下剩下的模型。

开发者把这套思路称为AI memory multitiering，AI内存多层化。

这里有一条很重要的设计原则是，专家放在哪里，只决定速度，不改变模型本身。

一个专家无论已经待在VRAM里，还是临时从SSD里读取，Router的选择都不会因此改变，使用的权重精度也完全相同。

Colibrì不会因为你的机器内存少，就偷偷少算几个专家或者换一套路由。

所以到了128GB RAM的纯CPU桌面机，可以缓存更多专家之后，速度能达到约1.8 token/s；

如果一路堆到6张RTX 5090，让全部专家常驻高速存储层，解码速度则可以来到5.8～6.8 token/s。

跑前沿大模型，不一定非要用机房里的专业服务器。

以GLM-5.2为例，需要准备的东西其实只有两个：

几百KB的Colibrì程序，以及大约372GB的模型。

Colibrì已经提供Linux、macOS和Windows的预编译版本，不想折腾编译的话，下载对应版本解压即可；

想从源码开始，也只需要gcc或clang配合OpenMP。

项目已经提供预转换好的GLM-5.2 int4模型，也可以从FP8原始模型自行转换。模型放好之后，一条coli chat就能直接进入对话。

想更直观一点，则可以直接打开Web Dashboard。

里面能实时看到Token生成速度、不同阶段耗时，以及当前有多少专家待在VRAM、RAM和磁盘。

Colibrì还专门做了一个"Brain"页面，把GLM-5.2的19456个专家全部可视化出来：

哪个专家刚刚被Router点名、当前住在哪一层存储、调用热度如何，都能直接看到。

不只是GLM-5.2，Colibrì目前支持的模型跨度很大，目前可运行九个模型。

每个模型单独一套C适配文件，但是底层IO、缓存、tokenizer等公共组件复用同一个核心。

小尺寸的有Qwen3.8-Flash-Next、Qwen3.6和OLMoE；

接着DeepSeek V4 Flash是284B；GLM-5.2/5.3是744B；GLM-5.3-Flash是321B；

Thinking Machines的Inkling则来到了975B；

最大的一位是Moonshot的Kimi K3：2.8T总参数、104B激活参数。

这模型的权重需要大约1.6TB存储空间，但按照Colibrì给出的配置，RAM从32GB+就能起跑，同样不强制要求GPU。

作者还欢迎大家踊跃参与实验，寻找更高效方案。

Tiny engine, immense model，微小引擎，庞大模型。

项目地址：https://github.com/JustVugg/colibri