25GB 内存的笔记本，去跑 744B 参数的 GLM-5.2，乍看像一句很适合放在标题里的话。

完整 int4 权重约 372GB。上下文缓存、运行时内存、操作系统占用都还没算进去，25GB 和 372GB 之间也没有什么优化技巧能直接抹平。照过去部署本地模型的习惯，答案就是装不下。

开源项目 Colibrì 换了个问法。既然一个超大 MoE 模型并非每一刻都要用到全部权重，能否只把眼下会用到的那一小撮留在快存储里，其余部分放到 NVMe SSD，需要时再取？

项目及其相关报道给出的结果颇有吸引力：约 25GB RAM 的机器可以尝试运行 GLM-5.2，32GB RAM 起可挑战 2.8T 参数的 Kimi K3。这里的关键词是「尝试运行」，不是「获得和云端一样顺滑的体验」。这两者差得很远，也正是 Colibrì 最值得聊的地方。

它没有让 SSD 变成显存。它是在承认 SSD 很慢以后，尽量少去碰它。

744B 这个数字，不能直接拿来判断内存需求

GLM-5.2 的 744B 指完整模型的总参数量。对于稠密模型，这个数字和部署压力往往紧紧绑在一起，因为每次生成 token 时，大部分参数都会参与计算。

Mixture of Experts（专家混合，MoE） 模型的工作方式不同。模型里有很多专家网络，Router（路由器）会在每一次生成时判断该叫哪几个专家来处理。总参数仍然很大，真正激活、参与当前计算的部分却小得多。

公开材料以 GLM-5.2 为例，称它每个 token 约激活 40B 参数。这个数字会随模型版本、量化方式与具体实现而变，不过它足以说明问题：绝大多数路由专家在某个瞬间并不干活。

图源：Colibrì 官方仓库，展示 GLM-5.2 的 MoE 稀疏激活思路。

此前大家会先想办法把整个模型搬进显存或内存，装完才开始推理。对于 MoE，这个前提其实可以松一松。没有被 Router 点名的专家，既不计算，也不一定非要挤在 RAM 里占位置。

Colibrì 的做法就围绕这个判断展开。Attention、Embedding、共享专家等高频组件常驻 RAM；被点名的路由专家优先从 RAM 或 VRAM 中找；缓存没命中，才去 NVMe SSD 拿。运行久一点后，常用专家会尽量留在更快的那层。

想象一下餐馆后厨会更容易理解。灶台边放的是每天都用的油盐和锅具，常点的食材放在冰箱近处，仓库里那批不常用的原料不会一开始全搬出来。Colibrì 做的是类似的分工，只不过它调度的是模型权重。

把 SSD 叫作显存，反而看不清它的代价

「SSD 当显存」确实好记，但这个说法会误导人。

显存、系统内存和 NVMe SSD 的带宽、延迟和访问模式根本不在一个级别。权重躺在 SSD 里，不会让它突然拥有显存速度。它带来的只是一个新的可能性：机器不必因为装不下完整权重而直接退出游戏，但生成时要接受更多等待。

公开材料称，在一台 12 核 CPU、25GB RAM 的开发机上，GLM-5.2 冷缓存速度约为 0.05～0.1 token/s。这个水平足以启动、观察和研究，却很难拿来做长时间聊天或实时编码。等模型吐一段完整答复，喝一杯咖啡都不一定够。

所以 Colibrì 的核心难题从来不是「怎样把更多模型塞进 SSD」，而是「怎样避免每个 token 都从 SSD 找东西」。项目公开描述中提到三种常见却很关键的办法。

LRU（最近最少使用）缓存负责留下刚用过的专家，下一次又选到它们时，省掉一次磁盘读取。访问频率统计负责识别长期热点，让真正高频的专家更愿意留在 RAM。预取则更冒险一点，利用相邻层路由选择可能存在的相关性，在当前层计算还没结束时，先把下一层可能需要的权重读进来。

这套思路并不新奇。操作系统会做页缓存，数据库会区分冷热数据，CDN 也依靠缓存把远端资源尽量拉近用户。Colibrì 有意思的地方是，MoE 的 Router 让它多了一张「未来可能会读什么」的提示纸条。

不过，这张纸条不是保证。预取猜错了，会白白占用 I/O 带宽和缓存空间；热点分布不稳定，LRU 也未必帮得上忙。最终的体验高度依赖模型路由特征、SSD 性能、内存大小和任务本身。

真正需要计算的，是一笔硬件账

如果只是问「这台电脑能不能启动模型」，答案会比较简单。可一旦打算真正用起来，就得看一组互相牵连的条件。

图源：Colibrì 官方仓库，展示项目所称的 AI memory multitiering（AI 内存多层化）。

因此，升级路线也多了一点层次。增加内存，可能让更多热点专家留得住；换更快的 SSD，或者使用多块盘分摊读取，可能减少长尾权重的等待；加 GPU，则能把最热的一部分路径再往前推。

它们都不是免费午餐。预取更积极，可能增加无用读取；缓存开得更大，可能挤压系统可用内存；SSD 够快，模型权重本身仍要占数百 GB 甚至数 TB。你买到的不是一个「跑得动 744B」的开关，而是不同预算下完全不同的交互体验。

这也是 MoE 对本地部署带来的变化。过去大家看显卡时，习惯先问显存够不够；今后还得问：活跃参数有多少？路由专家是否可预测？哪些权重值得常驻？这些问题听着偏底层，最后都会落到屏幕前最直观的感受上：首 token 要等多久，中途会不会卡，能不能稳定完成一项任务。

先别急着下载 2.8T 的模型

Kimi K3 的例子尤其能让人冷静下来。按公开材料的说法，它的权重需要约 1.6TB 磁盘空间，32GB RAM 只是尝试启动的下限之一。下载、校验、格式转换、临时文件和备份都会继续吃空间。即便模型成功跑起来，也不代表它能替代一个日常使用的在线服务。

我觉得在动手前可以先把需求说清楚。

如果你的目标是离线处理敏感文档，或者研究 MoE 权重调度，等待更久可能是值得的。如果只是想获得一个更大、更强的聊天模型，云端服务往往仍然简单得多。还有一种情况是做本地 Agent 的离线批处理，例如让模型夜里慢慢扫一批文档、代码或日志。此时低吞吐并不一定致命，容量和隐私反而会排到前面。

Colibrì 不负责替你选答案。它只是把过去「显存不够，没法谈」的局面，拉成了一张可以权衡的表：存储、时间、隐私、下载成本、电费、维护复杂度，外加你对慢的容忍度。

图源：Colibrì 官方仓库，项目 Web Dashboard 截图。

大模型不只是一块要塞进显卡的文件

看 Colibrì，很容易把注意力停在 744B、25GB、无 GPU 这些数字上。但它留下的启发比数字更长久。

大模型在本地跑起来，至少有三件事在同时发生。总参数决定你要保存多少权重；活跃参数决定一次推理实际搬动和计算多少；存储层级决定这些权重抵达计算单元的速度。过去显存容量把三件事压成了一个问题，现在 MoE 和分层调度开始把它们拆开。

这不意味着个人电脑很快就能平替数据中心。更多时候，它意味着本地 AI 系统会越来越像数据系统：要知道什么数据应常驻，什么数据可以延迟读取，缓存命中后是否真的有收益，出错或资源不足时又该退到哪一层。

Colibrì 把这套逻辑放在模型权重上。以后本地 Agent 面对的或许还有文档库、代码仓库、长期记忆和多个模型。届时，VRAM、RAM 与 SSD 之间怎么分工，很可能和上下文窗口怎么分配一样，成为普通开发者也绕不开的设计题。

参考来源

• Colibrì GitHub 仓库（官方图片与项目说明，Apache 2.0）
• 智源社区转载量子位：笔记本跑 7000 亿参数 GLM，无 GPU 也行？

以上来源用于核对项目公开描述与媒体转述的配置、性能数字，并不等同于独立基准测试。若准备购买硬件或用于生产环境，仍应对照项目仓库、模型卡和自己的工作负载复验。