24小時90次實驗，全程AI寫代碼，他獨自復(fù)現(xiàn)蘋果三年前的論文成果

內(nèi)存墻是計算機體系結(jié)構(gòu)中的一個經(jīng)典瓶頸，簡單來說，就是處理器的運算速度飛快，但內(nèi)存的容量和傳輸速度卻遠遠跟不上需求。

尤其是像 Qwen3.5-397B 這樣擁有 3,970 億參數(shù)的巨型模型，即使經(jīng)過 4 比特壓縮，其體積也高達 209 GB，是頂級消費級筆記本內(nèi)存容量的 4 倍以上。在傳統(tǒng)的推理模式下，這意味著你必須擁有數(shù)張價值不菲的專業(yè)顯卡集群才能勉強運行。

近日，來自美國最大的醫(yī)療保健和藥房連鎖公司之一 CVS Health 的人工智能平臺副總裁丹·伍茲（Dan Woods）完成了一項看似不可能的挑戰(zhàn)：他運行了一個名為 Flash-MoE的項目，成功在一臺僅有 48GB 內(nèi)存的 MacBook Pro 上離線運行了擁有 3,970 億參數(shù)的 Qwen3.5-397B，運行速度達到約 5.7 tokens/秒，峰值可到 7.07 tokens/秒。

圖 | 伍茲（來源：社交媒體 X）

對伍茲而言，在本地設(shè)備上運行頂級規(guī)模的大模型，是他多年來的愿望。早在三年前，蘋果就發(fā)布過一篇名為“LLM in a flash: Efficient Large Language Model Inference with Limited Memory”的論文，明確指出通過從閃存流式傳輸權(quán)重，運行超出內(nèi)存容量的大模型完全可行。他一直期待這一天的到來，但即便蘋果的硬件架構(gòu)似乎為這一技術(shù)量身定制，官方卻始終沒有推出對應(yīng)的落地方案。

伍茲深知，編寫底層 Metal 著色器、Objective-C 推理引擎以及復(fù)雜的 I/O 優(yōu)化并不在自己的專業(yè)領(lǐng)域內(nèi)。但隨著 Claude Opus 4.6 的進化和 Claude Code 智能體化工程的成熟，時機終于來了。

他將研究思路和論文交給 Claude Code，并采用安德烈·卡帕西（Andrej Karpathy）“自動研究”模式的變體，讓 Claude 在 24 小時內(nèi)運行了 90 個實驗，以確定最佳推理策略、量化方法和架構(gòu)選擇。從 5,000 行的 Objective-C 推理引擎到 1,100 行的 Metal 著色器，再到 2 比特重分配量化管線及全部測試代碼，沒有一行是由他親手編寫的，全部出自 Claude 之手。

在相關(guān)論文中，伍茲還將 Claude Opus 4.6 列為第一作者。

（來源：GitHub）

在傳統(tǒng)的稠密模型中，每生成一個字，模型中的每一個參數(shù)都必須參與計算。Qwen3.5-397B 是一款極具代表性的超大規(guī)模混合專家模型（MoE）。這類模型并非所有參數(shù)同時工作，而是被拆分成為數(shù)百個“專家”模塊，每個 Token 只激活少數(shù)專家，其余模塊均處于閑置，天生具備極高的權(quán)重稀疏性。Qwen3.5-397B，總參數(shù)量為 3,970 億，但每個 token 僅激活 17B 參數(shù)。

Qwen3.5-397B 擁有 512 個專家，但在處理每個 Token 時，默認(rèn)只會激活 10 個專家。伍茲進一步發(fā)現(xiàn)，即使只激活 4 個專家，模型的邏輯推理、數(shù)學(xué)和編程能力依然保持卓越，而一旦激活數(shù)量少于 3 個，模型輸出會直接崩潰。這意味著在任何一個計算瞬間，只有不到 2% 的專家權(quán)重是真正需要的。

因此，伍茲的想法是：如果能把這部分需要的權(quán)重從高速 NVMe 固態(tài)硬盤（SSD）快速傳輸?shù)絻?nèi)存/顯卡，就不用把整個模型塞進內(nèi)存，相當(dāng)于讓固態(tài)硬盤成為模型的“外部內(nèi)存”，流式給模型供能。

蘋果 M3 Max 的統(tǒng)一內(nèi)存架構(gòu)（CPU、GPU、SSD 共享一個地址空間，內(nèi)存帶寬達 400GB/s）和 3 倍于前代的 NVMe 速度，剛好提供了硬件基礎(chǔ)，能在模型計算的時間內(nèi)，把需要的專家權(quán)重傳過來。

（來源：GitHub）

為了實現(xiàn)這一想法，伍茲做了一些創(chuàng)新改進。

首先是給模型權(quán)重“瘦身”，在原有 4 比特量化的基礎(chǔ)上，對專家權(quán)重做 2 比特二次量化，單個專家大小從 7.08MB 降至 3.93MB，總存儲需求從 209GB 降到 120GB，數(shù)據(jù)傳輸量直接減少 44%，且每層量化誤差僅 0.001-0.003，模型輸出質(zhì)量幾乎沒有損失。

其次，在 MacBook Pro M3 Max 上，NVMe SSD 的順序讀取速度高達 17.5 GB/s。伍茲利用這一特性，開發(fā)了一套基于 C 語言和 Metal 指令集的管線，核心路徑上完全沒有 Python，也沒有使用任何現(xiàn)成的 ML 框架，把計算分成三個命令緩沖區(qū)，讓 CPU 準(zhǔn)備下一層的同時，GPU 在算當(dāng)前層，實現(xiàn)重疊執(zhí)行，減少等待。

最令人意外的是緩存策略的反常識優(yōu)化。研究人員最初為提升速度搭建了 9.8GB 的應(yīng)用層緩存，結(jié)果卻發(fā)現(xiàn)速度不升反降。深入研究后發(fā)現(xiàn)，蘋果硅芯片的硬件內(nèi)存壓縮器會因這類 GPU 可見緩存瘋狂工作，每秒數(shù)萬次的解壓縮消耗了大量 CPU 資源和內(nèi)存帶寬，反而擠占了數(shù)據(jù)傳輸和計算的資源。最終研究人員果斷刪掉所有應(yīng)用層緩存，讓 macOS 系統(tǒng)的頁緩存完全接管，這一調(diào)整直接讓模型運行速度提升 38%，解壓縮操作幾乎降至零。

一系列優(yōu)化下來，這款 3,970 億參數(shù)的大模型在 48GB 內(nèi)存的筆記本上，僅占用 6.5GB 內(nèi)存就能穩(wěn)定運行，每層計算耗時僅 2.9 毫秒，其中固態(tài)硬盤的數(shù)據(jù)傳輸是最大瓶頸，占比近 50%。經(jīng)測試，模型在 2 比特量化下的輸出質(zhì)量與 4 比特幾乎無差別，能正確完成數(shù)字因式分解、編寫規(guī)范 Python 代碼、用通俗類比解釋科學(xué)概念等任務(wù)，完全達到實用標(biāo)準(zhǔn)。

伍茲指出，當(dāng)前系統(tǒng)僅受限于 SSD 帶寬，理論吞吐量底線可達 18.6 tokens/秒，而目前的 5.74 tokens/秒僅利用了硬件的部分潛能，仍有巨大提升空間。隨著蘋果 SSD 帶寬每代約 20% 的穩(wěn)步增長，預(yù)計在未來 2 到 3 代硬件更迭內(nèi)，在個人筆記本上以 10 tokens/秒以上速度運行 4,000 億參數(shù)模型將成為常態(tài)。

他還表示，這種方法同樣適用于 DeepSeek-V3 等其他以專家權(quán)重為主導(dǎo)的 MoE 模型。

1https://github.com/danveloper/flash-moe/blob/main/paper/flash_moe.pdf

運營/排版：何晨龍