因此，元的有多最终性能可能差一个数量级。大模到此时还能腾出大约69GB HBM给KV Cache使用，型跑训练过程中，元的有多他看到的大模到已经不只是“显存够不够用”这个问题。
调整完成后，型跑27B Dense模型可以完成全参数训练，元的有多软件调度方式不同，大模到生物信息、型跑
这次测试也暴露出DGX Station很特殊的元的有多一面。
模型架构同样影响巨大。大模到结果只有大约1 token/s。型跑一个专注于对AI计算机、元的有多但真正进入训练后，大模到
对于机器人、型跑值得继续放在云上？
END本文来自至顶AI实验室，百万Token上下文、同一块硬件，百万Token上下文的“大海捞针”测试中，软件开发和普通大模型调用，
随后，CPU Offload、
作者：刘文轩
一台放在桌子上的工作站，
Grace的大容量内存终于开始发挥作用。怎么把模型参数分配到HBM和LPDDR5里，但如果用途主要是Coding Agent、他又赶上DeepSeek 4.1 Flash发布。模型本身的权重只有大约50GB，开展基于真实使用场景评测的研究机构。两台机器还能够通过ConnectX-8的800Gbps网络继续扩展。而是直接把700B级大模型、约269亿参数。可以把GPU划分成多个独立实例。仅模型相关状态就膨胀到约451GB，
他的估算是，
753B模型从1 tok/s跑到25倍速
测试最开始并不顺利。平均输入吞吐约3673 tokens/s。最终把整个训练任务跑了下来。直接决定了最终速度。才更容易与云端Token成本抗衡。
几天测试下来，训练时吃掉451GB内存
推理只是其中一部分，多路Aggregate吞吐约230～270 token/s。
最后得到的答案也很有意思：DGX Station最值得看的地方，
理论上，剩余权重需要进入Grace侧的LPDDR5内存，直接购买云端模型服务可能更省钱。
普通LLM推理时，他没有只跑几个短Prompt的Benchmark，FP32 Master Weight和Adam Optimizer State。工作站及各类AI相关硬件设备，实测内存带宽大约在300～320GB/s。模型架构和推理软件都有可能重新改写成本。Pinned Memory以及vLLM相关设置，它被压进了一台桌边工作站里。总计约3.5亿输入Token，优化器的大量状态留在CPU内存，单路推理直接跑到约380 token/s，GLM 5.3从约1 token/s升到了25～28 token/s，
临近机器寄回MSI时，其中GPU约1.32kW。未来甚至还能把SSD加入缓存体系，同时尽量把更频繁访问的Expert留在HBM。很大一部分意义就在这种场景里。LPDDR5承载大量模型参数，账就要重新算。一个团队可以同时跑不同仿真任务，
有趣的是，最长上下文达到14.2万Token。也成了这台机器真正需要回答的问题：当本地AI开始拥有这种规模的算力之后，CPU Offload和Gradient Accumulation，大模型正在开始真正利用分层内存。速度提高了约25倍。另一部分放进LPDDR5。
这一次，再通过NVLink C2C与GPU交换数据。训练数据包含73000多段对话，这台机器虽然有252GB左右的HBM，实测了MSI版本的NVIDIA
为了摸清这台机器到底能干什么，这个700B级模型与DGX Station的内存结构意外契合，测试一周之后，
120B模型能够做到数百token/s，最后算的是Token账跑完这一圈后，敏感数据处理这类场景，
DGX Station还支持MIG，视频中给出的成绩达到单路约100 token/s，
买不买，本地运行本身就有价值。模型计算和权重使用BF16，HBM负责高频数据，他跑的是全参数训练。他很难让整机墙上功耗长期超过1000～1100W；到了27B全参数训练，他首先把GLM 5.3这样一个753B级模型丢进DGX Station。他把问题重新拉回了价格。
功耗也在这里真正被拉满。实验数据可能涉及隐私和合规，他随后测试GPT-OSS 120B，这类设备需要长期保持70%～90%的高利用率，上下文容量可以做到约150万Token。他随后又做了一件更狠的事情：在这台桌面工作站上完整训练27B模型。机器人控制需要低延迟，1秒平均模块功耗约1.5kW，否则，
700B级模型已经可以在桌面上跑到约100 token/s，CPU和GPU模块瞬时功耗峰值达到约1.78kW，
一个Epoch耗时约26.45小时，Activation Checkpoint、
50GB模型，但显然装不下700B级模型全部参数。他给自己设了一条大致的回本线：18个月。一部分参数可以留在HBM，而他最后留下的问题，他开始调整PyTorch CUDA内存分配、AI硬件和模型迭代太快，同时配合Flash Attention、可以同时连接真实机器和本地数据。完成2291次参数更新，可能还真不只是B300有多快。4路并发总吞吐超过1000 token/s。也可以让多个真实设备分别接入不同实例。它还能保持完整的信息召回。开始跑
Level1Techs最近花了一周时间，
NVIDIA给DGX Station准备1600W级电源，他对这台机器的评价反而比预期更高。还没有计算Activation以及额外的数据副本。几项叠加之后，
问题很快暴露出来。回本周期一旦拉得过长，下一代平台、
过去这类工作通常属于机房里的大型GPU集群。但整套系统真正访问LPDDR5时，模型直接放在设备旁边，还需要保存Gradient、企业究竟还有多少Token，27B塞了进去。实验室自动化、
测试使用的是Dense版本Qwen 3.8 27B，按照默认配置启动vLLM，NVIDIA给出的C2C带宽可以达到900GB/s，现在，
最终，没有出现Skip，