Новости
180B Parameters, 32GB of RAM: Pushing MoE Inference to the Limit with Transformers
Hugging Face · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- Hugging Face Transformers now streams Mixture-of-Experts model weights from disk, running 180B parameter models on 32GB RAM within 6% of specialized inference engines.
- Почему это важно
- Engineers deploying large MoE models locally on memory-constrained hardware like laptops or single GPUs need efficient offloading strategies.
- На что обратить внимание
- Performance still lags specialized engines like Strata by 6-10% on decode tasks, and the implementation remains model-specific with ongoing API design discussions.
- inference
Паттерны, стоящие за этой новостью
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.