大模型各参数的推理、训练和微调分别需要多大显存？
2025年4月29日，阿里开源新一代通义千问模型 Qwen3。其中包含两个MoE模型的权重：Qwen3-235B-A22B，一个拥有 2350 多亿总参数和 220 多亿激活参数的大模型，以及Qwen3-30B-A3B，一个拥有约 300 亿总参数和 30 亿激活参数的小型 MoE 模型。此外，六个 Dense 模型也已开源，包括 Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B 和 Qwen3-0.6B。
影响因素
那么对各个模型而言，在推理、训练和LoRA微调过程中的显存需求该如何计算呢？LlamaFactory的官网有大模型显存需求分析工具，但是已经很久没有更新了：显存计算器 - 大模型显存需求分析工具 | LlamaFactory | LlamaFactory。大模型的显存需求主要受到以下几个变量的直接影响：
模型的参数量；训练/推理时的精度模式（FP32/FP16/BF16/INT8，分别代表32 位单精度浮点数/16 位半精度浮点数/16 位脑浮点数/8 位整型量化）；训练所采用的优化器的类别（SGD/AdamW）
推理显存需求
在推理阶段，显存主要用于存储模型的权重，所以粗略的计算方法就是 显存占用=参数数量 * 类型大小，此处以BF16类型的Qwen3-8B模型为例，因为BF16为16 位脑浮点数，每个参数需要占用2个字节，8B个参数一共需要8B×2=16GB，也就是说存储模型的权重就需要大约16GB的显存空间了，此外，还有包括KV Cache（键值缓存）等需要用到显存资源的部分。
训练显存需求
训练阶段一般使用的参数类型都是FP32或BF16，而显存主要包括两个部分，分别是模型状态显存（Model States Memory）和残余状态显存（Residual States Memory），前者主要包含模型参数、梯度以及优化器的状态参数，其中梯度等于模型参数的一倍。
模型状态显存 = (模型参数 + 梯度) * 参数类型 + 优化器状态参数
而常见的优化器以SGD和AdamW为例，前者维护的是梯度状态，后者维护的是梯度加一阶矩+二阶矩，所以SGB优化器占用显存和全精度（FP32）模型权重一样，AdamW每个参数需要占用八个字节，因为需要维护三个状态，所以占用显存是全精度模型权重的3倍。
对于BF16类型的Qwen3-8B模型而言，如果使用的是AdamW优化器，则一共需要
(8B + 8B) * 2 + 8B * 4 * 3 = 96 GB
残余状态显存则包括了激活值（用于反向传播梯度计算）、临时缓冲区，主要还是激活值中受到batch size和序列长度的影响。对这部分感兴趣的读者可以直接阅读[参考 1]。
LoRA微调显存需求
Lora节省显存的方式是通过冻结模型主体部分，从而使得优化器中只存储低秩矩阵的参数。假设低秩分解时
r
<
<
d
m
o
d
e
l
r << d_{model}
r< 模型状态显存 = (模型参数 + 梯度 * 0.01) * 参数类型 + 优化器状态参数 * 0.01 对于BF16类型的Qwen3-8B模型而言，如果使用的是AdamW优化器，则一共需要 (8B + 8B * 0.01) * 2 + 8B * 4 * 3 *0.01 = 17.12GB 对残余部分所占用的显存则需要根据输入的样本大小来计算。 开源工具： 模型训练显存占用计算工具 参考： 模型训练显存到底怎么算 大模型不同参数下的模型显存计算公式 LoRA微调大模型显存占用分析 大模型参数量和占的显存怎么换算-高赞回答