598GB 压到 85GB，腾讯把旗舰模型塞进一张卡
上周你想在自己机器上跑腾讯的旗舰模型 Hy3，得先凑出将近 600GB 显存，八卡服务器起步，个人玩家基本可以散了。今天开始，一张卡就行。
腾讯混元上午发了公告，给 Hy3 出了官方量化版。1bit 版本 85.5GB，单张 96GB 推理显卡装得下，4bit 版本 169.9GB，两张卡。权重都在 Hugging Face 上，还顺手把 llama.cpp 的适配 patch 一起开源了。
昨天我刚写过 Hy3，它发布六天冲上 OpenRouter 用量榜第一，当时我提醒过，那个榜有免费期灌水的成分，得看 7 月 21 日免费期结束后的留存。结果第二天官方就把「你自己搬回家跑」这条路铺好了。这个节奏怎么说呢，很难不怀疑是排好的，先用免费期让全世界开发者尝到味道，再在热度最高的时候放出量化版，告诉你免费期结束也不怕，整个模型你可以直接拿走。运营节奏有点子牛逼。
不过今天不聊运营，聊点实在的。「295B 单卡可部署」这句话，每个字都是真的，但每个字后面都挂着一行小字。我替你把小字读完了，咱们一笔一笔算。
先从量化本身讲起，很多朋友可能不知道这玩意的原理，其实特别朴素。模型的权重本来是用 16 位浮点数存的（BF16 格式，每个数占 2 个字节），295B 个参数就是接近 600GB。量化做的事，就是把这些 16 位的数压成更短的整数，4bit 是压成 4 位，体积砍到四分之一，1bit 理论上砍到十六分之一。代价是精度，就像把一张 RAW 照片压成 JPEG，压得越狠，细节丢得越多。
但这次公告里有个细节值得抠一下。官方说的 1bit 版本，格式叫 IQ1_M，这是 llama.cpp 社区定义的一种量化格式，名义上平均每个权重 1.75 bit，并不是字面上的 1 bit。而且模型里有些部分是不能狠压的，embedding 和关键的注意力层一压整个模型直接变傻，所以这些地方保留了更高精度。我拿文件体积倒推了一下，不带 MTP 的纯权重是 83.4GiB，乘 8 再除以 295B 个参数，平均下来每个权重差不多 2.4 个 bit。
所以严格讲，这是一个「2.4bit 版本」。好家伙，从 16 压到 2.4，缩了 6.7 倍，这依然是个狠活，但离「1bit」这个数字还是有段距离的。这也不是腾讯一家的叫法问题，整个社区都管 IQ1 系列叫 1bit，你知道这层换算关系就行，别真以为权重被压成了 0 和 1。
第二笔账，压掉的这些 bit，换走了多少智商。
官方的说法是，4bit 版本（Q4_K_M）在绝大多数位置上的输出分布和满血版几乎一致，Agent、多语言代码、长文理解都贴着满血走。这个我倾向于信，4bit 量化这两年在开源社区已经被验证烂了，Q4_K_M 基本是公认的无痛档，大家平时跑 DeepSeek、跑 Qwen 的量化版也都是这么选的。
1bit，好吧，2.4bit，就没那么理所当然了。按老经验，压到 2bit 附近模型会明显变笨，开始胡言乱语都不稀奇。官方说他们的 1bit 版本长文理解几乎持平满血，代码和 Agent 只有小幅回落，如果属实，这个成绩是超出我预期的。不过这里得挂个免责声明，这些数字全部来自官方自测，第三方复测还没出来。llama.cpp 社区那帮量化狂人应该这两天就会把困惑度曲线跑出来，建议观望两天再下载，毕竟 85GB 不是小流量。
我的建议特别简单，预算够两张卡就上 4bit，只有一张卡又非要本地跑再选 1bit，并且做好它在复杂推理上偶尔犯迷糊的心理准备。顺带一提，公告里还有个 GPTQ Int4 版本，可以直接用 vLLM 部署，那个是给要对外提供服务的团队准备的，个人玩家看前两个就行。
公告里还有一个容易被扫过去的点，我反而觉得是最有诚意的部分。他们给 llama.cpp 写了 MTP 支持的 patch，直接公开了。
MTP（multi-token prediction，多 token 预测）可以理解成模型自带的草稿员。正常生成是一个 token 一个 token 往外蹦，MTP 让模型一次多猜几个，再批量验证，猜对了就白赚。官方数据是接受率稳定在 60% 左右，1bit 版本解码提速 50%，4bit 提速接近 60%。投机解码这个思路本身不新鲜，但给一个 295B 的模型在 llama.cpp 里补全 MTP 支持，是实打实的工程苦活，而且 patch 公开之后别家模型也能照着抄。这一手比多发十张跑分图有诚意。
第三笔账，硬件。这可能是大部分人最关心的，也是幻灭来得最快的地方。
单卡可部署，指的是单张 96GB 的推理显卡。你手里的 4090 是 24GB，5090 是 32GB，都差着好几倍。96GB 这个规格，对应的是 RTX PRO 6000 这个级别的专业卡，一张的价格大概能买四五张 4090。所以「单卡」的意思不是你机箱里那张卡，是机房里那种卡只需要一张了。
但先别关页面，GGUF 这个格式还留了另一条路。llama.cpp 的看家本领就是 CPU 和 GPU 混着跑，权重放进内存也能推理，只是慢。而 Hy3 有个特殊的地方，它是 MoE 架构（Mixture of Experts，模型内部分成一堆专家，每次只叫醒一小撮干活），295B 总参数每次推理只激活 21B。对本地部署这是天大的好消息，因为生成速度主要卡在每生成一个 token 要搬多少权重，21B 的激活量摊到 2.4bit 上，每步实际要读的数据并不吓人。
这条路上最现实的选手，其实是大内存的 Mac。128GB 统一内存的 Mac Studio 刚好能把 85.5GB 权重连带上下文一起装下，内存带宽也够看。说实话我自己还没试，也没有 128GB 的 Mac 给我试，老板如果你看到这段就当我没说。但按 MoE 的账面数据估，跑出能用的速度是有戏的。评论区如果有 Mac Studio 的朋友跑通了，求一份每秒 token 数，我是真的好奇。
第四笔账，也是最扎心的一笔，钱。
昨天说过，Hy3 在 OpenRouter 上的正式定价是每百万 token 0.14 美元，折合人民币一块钱出头一百万 token。一张 96GB 的专业卡按六万块算，这笔钱全拿去买 API，够你烧掉六十万亿 token。什么概念，Hy3 登顶那一周，全世界开发者在 OpenRouter 上总共才烧了 6.13 万亿，你一张卡的钱够全球用量烧十周。这还没算电费、折旧，和你半夜调环境的那些时间。
所以如果你上本地部署的理由是省钱，可以醒醒了，这笔账在数学上就不成立。旗舰模型的推理是规模生意，数据中心的单 token 成本永远比你家里低一个数量级。
那这个量化版到底给谁用，我寻思了一下，大概四种人。数据出不了门的，医疗、金融、法务，或者公司内网有硬性合规要求，API 再便宜也没用，以前这类场景只能拿小模型凑合，现在能上旗舰了，这是真刚需。要离线的，船上、野外、没网的实验室。要魔改的，研究员要看原始 logits、要改采样策略、要接自己的推理框架，API 不会给你这些。最后一种，纯粹的折腾魂，在自己机器上跑通一个 295B 模型这件事本身就是目的，不需要商业理由，这种快乐我完全理解，而且尊重。
你想想看，两年前这个名单上还有一大类人，图便宜的。当年 GPT-4 的 API 贵得肉疼，本地跑开源模型是真能省钱。现在国产旗舰把价格打到一块钱一百万 token，这类人已经被 API 收编了。本地部署从省钱手段变成了一种主张，我的数据我做主，我的模型我做主。
文章开头那个对比，600GB 到 85GB，最后想再多说一句。
这次真正的变化不是腾讯多传了几个文件，是跑得起旗舰模型这件事的门槛，从一个机构的预算降到了一个发烧友的预算。六万块当然不便宜，但它第一次进到了个人咬咬牙够得着的区间，和八卡服务器是两个物种。开源模型放出权重只是第一步，量化、llama.cpp 适配、MTP patch 这些脏活干完，权重才真正属于社区。
昨天的用量榜讲的是有多少人在租这个模型，今天的量化版讲的是有多少人能拥有它。租和有之间隔着什么，每个在大城市交过房租的人都懂。
Hy3 的免费期 7 月 21 日结束。量化版没有免费期，它下下来就一直是你的。