大模型全参数微调所需的显存取决于模型参数量与优化器状态，以70亿参数模型为例，通常至少需要24GB显存，而700亿参数模型则需80GB以上，且往往需要多卡并行。
很多开发者在搭建本地AI环境时,最先遇到的瓶颈就是显存，全参数微调（Full Fine-tuning）不同于仅仅冻结大部分层、只训练少量参数的LoRA，它要求对模型的所有权重进行更新，这意味着你不仅要加载模型权重，还要为每个权重分配优化器状态（如Adam优化器的动量和方差），以及梯度信息，这种“三重负担”使得显存需求呈指数级增长，业内专家指出，显存不仅是存储容器，更是计算速度的瓶颈，显存不足会导致频繁的显存交换（Swap），使训练速度下降几个数量级。
全参数微调的显存构成拆解
要理解为什么显存需求如此巨大,我们需要拆解显存的占用构成，这不仅仅是模型权重本身，还包括训练过程中的临时状态。
模型权重与激活值
模型权重是基础,假设一个模型使用FP16（半精度浮点数）格式，每个参数占用2字节，对于一个7B（70亿）参数的模型，仅权重就需要约14GB显存，但这只是静态存储，在训练的前向传播和反向传播过程中，还需要存储激活值（Activations），激活值是中间计算结果，用于计算梯度，对于大模型，激活值占用的显存往往比权重本身还要多，特别是在Batch Size（批处理大小）较大时。
优化器状态与梯度
这是最容易被忽视的显存杀手,为了更新权重，优化器需要维护状态，以常用的AdamW优化器为例，它需要为每个参数维护两个一阶矩估计（动量）和二阶矩估计（方差），这意味着，除了权重本身，你还需要额外的4倍显存来存储优化器状态（2倍用于动量，2倍用于方差），加上梯度信息（通常与权重同精度），显存需求瞬间翻倍甚至翻三倍。
不同精度下的显存估算
|
精度格式 | 单参数占用 | 7B模型权重 | 优化器+梯度开销倍数 | 预估总显存需求 |
|---|---|---|---|---|
| FP32 | 4 Bytes | 28 GB | 4x | ~112 GB |
| FP16/BF16 | 2 Bytes | 14 GB | 4x | ~56 GB |
| INT8 | 1 Byte | 7 GB | 4x | ~28 GB |
注：以上数据为理论估算，实际应用中需预留20%-30%的余量用于系统开销和激活值。
不同规模模型的显存实战指南
在实际操作中,选择哪种硬件配置直接决定了你的项目能否跑通，以下是基于当前主流硬件环境的场景化建议。
7B-13B参数模型：入门级选择
对于初学者或资源有限的团队,7B到13B参数量的模型（如Llama-3-8B、Qwen-7B）是常见的起点。
- 单卡方案：NVIDIA RTX 3090/4090（24GB显存）是性价比最高的选择，在FP16精度下，全参数微调略显吃力，但通过梯度累积（Gradient Accumulation）和小Batch Size，可以勉强运行，若使用INT8量化技术，24GB显存可以较为流畅地进行全参数微调。
- 双卡方案：使用两张24GB显存的显卡进行数据并行或模型并行，可以显著降低单卡压力，提升训练速度，这是许多个人开发者和小团队的首选方案。
30B-70B参数模型：专业级门槛
当模型规模扩大到30B甚至70B（如Llama-3-70B、Qwen-72B）时，显存需求急剧上升。
- 单卡困境：没有任何单消费级显卡能容纳70B模型的全参数微调，即使是A100 80GB，在FP16下也难以独立支撑70B模型的全参数训练，必须借助多卡。
- 多卡并行：通常需要4张或8张A100/H100 80GB显卡，或者使用多张RTX 4090组成的集群，显存不再是唯一瓶颈，卡间通信带宽（NVLink）成为关键，行业共识认为，在多卡环境下，通信开销可能占据总训练时间的30%以上，因此选择支持高速互联的硬件至关重要。
降低显存需求的优化策略
如果手头没有昂贵的专业显卡,是否还有办法进行全参数微调？答案是肯定的，通过一系列技术手段，可以显著降低显存门槛。
混合精度训练
混合精度训练（Mixed Precision Training）是目前的标准做法，它结合使用FP16和FP32，前向和反向传播使用FP16以节省显存和加速计算，而优化器状态和权重更新使用FP32以保持数值稳定性，这种方法通常能将显存需求减半，且对模型精度的影响微乎其微。
梯度检查点（Gradient Checkpointing）
梯度检查点是一种用时间换空间的策略,它不存储所有层的激活值，而是在反向传播时重新计算部分前向传播的结果，这可以将激活值的显存占用降低50%-70%，但会增加约20%-30%的计算时间，对于显存紧张的场景，这是非常有效的优化手段。
使用高效优化器
Adam优化器虽然效果好,但显存开销大，可以考虑使用AdamW的变体，如LAMB或OneBitAdam，它们通过量化优化器状态来减少显存占用，ZeRO（Zero Redundancy Optimizer）技术，特别是DeepSpeed框架中的ZeRO-2和ZeRO-3，能够将优化器状态和梯度在多个GPU之间分割存储，使得单卡显存需求大幅降低，据工信部相关技术报告提及，ZeRO-3技术可使显存效率提升数倍，是大规模分布式训练的核心技术之一。
常见误区与避坑指南
在配置环境时,许多开发者容易陷入一些误区，导致项目停滞。
显存越大越好
虽然大显存能容纳更大的Batch Size，但过大的Batch Size可能导致模型泛化能力下降，陷入尖锐的最小值，建议根据模型规模和任务复杂度，逐步调整Batch Size，找到性能与资源的平衡点。
忽略系统内存
全参数微调不仅依赖显存,还依赖系统内存（RAM），在加载模型和预处理数据时，系统内存是重要的缓冲，建议系统内存至少为显存总容量的2-4倍，以避免数据加载成为瓶颈。
忽视软件版本兼容性
PyTorch、CUDA、cuDNN等版本的兼容性直接影响训练效率，建议使用官方推荐的版本组合，并定期更新驱动，不兼容的版本可能导致显存泄漏或计算错误，这些问题排查起来非常耗时。
Q&A：大模型全参数微调需要多大显存相关问题
大模型全参数微调需要多大显存才能运行70B模型？
运行70B参数模型的全参数微调,通常需要至少4张80GB显存的A100/H100显卡，总显存需求在320GB以上，若使用ZeRO-3等优化技术，可适当降低单卡要求，但总显存池仍需保持在较高水平，对于消费级显卡，建议采用多卡并联方案，如8张RTX 4090，但需注意通信带宽限制。
全参数微调与LoRA微调在显存需求上有何区别？
全参数微调需要存储所有参数的权重、梯度和优化器状态，显存需求通常是模型权重的4-6倍，而LoRA微调仅训练少量低秩矩阵，显存需求主要取决于模型权重和激活值，优化器状态极小，LoRA的显存需求通常仅为全参数微调的1/3到1/2，使得单张24GB显存显卡也能流畅运行大模型微调。
显存不足时有哪些替代方案？
当显存不足时,可采用梯度累积、混合精度训练、梯度检查点等技术优化，若仍无法满足，可考虑使用LoRA或QLoRA等参数高效微调方法，它们大幅降低了显存门槛，利用云端GPU实例按需租用，也是解决本地硬件不足的有效途径，尤其适合偶尔进行大规模训练的用户。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/394934.html
