跳转到主要内容

Seed-OSS 36B Instruct

36B

ByteDance Seed

稠密 36B,原生 512K 上下文。Q4_K_M 文件是 21.8 GB,加上缓存和运行缓冲,4K 下约需 23.9 GB:在 24 GB 显卡上偏紧,那里宽裕的选择是 Q3_K_M(19.5 GB),或者用 2×16GB 拆分。AWQ 版本是 21.1 GB,并不是名字暗示的 4 比特体积。真正的开销是上下文:512K 的 KV cache 单独就约 128GB,所以要先规划上下文再考虑权重。

⬇ 43.9K HF 下载量♥ 506 点赞ByteDance-Seed/Seed-OSS-36B-Instruct· 数据更新于 11/22/2026
消费级显卡专业 GPUMac / 苹果芯片

524K

最大上下文

4

量化变体

GGUF Q5_K_M

最佳质量

+1.3%

困惑度增幅(最佳档位)

量化变体对比

各量化级别的显存、质量损失及 RTX 4090 推理速度

实测 = 本站跑过 · 估算 = 本站未跑过:推算所得,或本站未核实的数字 · 社区 = 公开报告

格式级别BPW显存PPL 损失速度来源操作
GGUFQ4_K_M4.8223.9 GB2.7%42 tok/s社区
计算HF
GGUFQ3_K_M3.919.5 GB5.6%48 tok/s估算
计算HF
GGUFQ5_K_M5.6627.8 GB1.3%—估算
计算HF
AWQINT44.6823.2 GB3.8%—估算
计算HF

每个体积对应哪个文件

文件大小不等于显存:显存一栏是计算器在 4K 上下文下的总量 —— 权重加 KV 缓存,再加 10% 的激活缓冲。两边的单位是有意不同的:文件大小用十进制 GB,和 Hugging Face 列表一致;显存一栏用 GiB(1024³ 字节),并在权重上多算 2%,所以 7.12 GB 的文件在那一栏里约是 6.8 GiB。仓库若带视觉投影(mmproj),它是另外下载的文件,两个数字都不含它。

相关社区实测

以下报告只代表报告自身的测试条件,其速度不会替代本页估算,也不能证明你的配置能装下。

我们审核过的链接索引尚未收录此模型的报告。你可以浏览社区实测,或在下方分享自己的测试。

在 llamaPerf 浏览更多实测 ↗
27B

Qwen3.8 27B

Alibaba Qwen3.8

消费级显卡专业 GPU
Q4_K_M18.5 GB—困惑度增幅

混合注意力:64 层中只有 16 层保留 KV 缓存,所以这个 27B 模型在 262K 上下文下的缓存约 16GB,而不是 64GB。按常规架构计算会把缓存高估四倍 —— 这里的估算只计入那 16 层,并与 8K、32K、262K 三个已公开实测值吻合。各档位的质量损失官方未公布。

30B-A3B

GLM-4.7-Flash

Zhipu GLM-4.7

消费级显卡专业 GPU
Q4_K_M19.5 GB—困惑度增幅

智谱 GLM-4.7 系列的轻量款:总参数 30B,每 token 激活约 3B,MIT 许可。注意力采用 MLA,每层每个 token 只缓存一个 576 维的压缩向量,而不是完整的 K 和 V——所以 32K 上下文下缓存不到 2 GB,常规 47 层模型需要的是它的好几倍。llama.cpp 按 DeepSeek-2 类模型运行它。下方体积按 bartowski 的 GGUF 文件计算,各档位的质量损失未公布。

26B-A4B

Gemma 4 26B-A4B IT

Google Gemma 4

消费级显卡专业 GPU
Q4_K_M18.2 GB—困惑度增幅

Google Gemma 4 的混合专家模型:文本部分约 25B 参数,每 token 激活约 4B,256K 上下文,支持图像输入。30 层中只有 5 层的缓存随上下文增长,而且这些层用的是更少、更宽的注意力头,所以缓存很小——32K 下约 0.9 GB,用满 256K 也只要约 5.3 GB。Q4_K_M 下 32K 上下文约 18.8 GB:24 GB 显卡可以从容运行,甚至能加载完整窗口(偏紧,约 23.6 GB)。16 GB 显卡装不下,光 Q4_K_M 文件就有 17.0 GB。视觉编码器是另外一个 1.2 GB 的文件。体积按 bartowski 的 GGUF 文件计算,其 Q4_K_M 折合每参数 5.40 比特,明显高于通用的 4 比特档;Unsloth 的 UD-Q4_K_M 是另一个文件,小 0.09 GB。各档位的质量损失未公布。

31B

Gemma 4 31B IT

Google Gemma 4

消费级显卡专业 GPU
Q4_K_M22.1 GB—困惑度增幅

Google Gemma 4 的稠密旗舰:约 31B 参数,256K 上下文,支持图像输入。60 层中只有 10 层缓存完整上下文,而且这些层只用 4 个宽 KV 头,所以 128K 上下文只增加约 11 GB 缓存,常规的 60 层结构则要约 120 GB。Q4_K_M 在 4K 下约需 22.1 GB,在 24 GB 显卡上偏紧;Q3_K_M 在 4K 下约 18.3 GB。32 GB 显卡跑 Q4_K_M 的 32K 很从容。Google 还发布了官方的量化感知训练(QAT)Q4_0 版本,单个 17.7 GB 文件:4K 下约 20.1 GB,24 GB 显卡宽裕地跑到 16K。它的视觉编码器是另外一个 1.2 GB 的文件,加载后在 24 GB 上连 4K 都偏紧。其余档位按 bartowski 的 GGUF 文件计算,各档位的质量损失未公布。该仓库另有两个用于推测解码的 MTP 草稿头文件(Q4_0 为 349 MB,Q8_0 为 515 MB),它们不是模型本体,不计入这里的显存。

在本地运行 Seed-OSS 36B Instruct

在 Q4_K_M、4K 上下文下,Seed-OSS 36B Instruct 约需 23.9 GB —— 权重 20.7 GB、KV 缓存 1.00 GB、激活缓冲 2.2 GB。本索引中能宽裕跑它的最小规格是 32 GB 显卡 —— 共 4 张,RTX 5090 起步;105 张卡中有 24 张可以。这些是计算值而非实测值:估算把「宽裕」的界线画在显存的 88%,大致就是桌面环境需要留出的余量。

上下文变长会多花多少

从 4K 提到 32K 约多占 7.00 GB,总量来到 31.6 GB。权重不随上下文变化,只有 KV 缓存会,而且是线性增长 —— 规划长文档场景时要盯的就是这个数字。该模型的原生上下文是 512K;在 Q4_K_M 下把它全部撑满约需 164 GB。

该下载哪个版本

本索引收录了它的 2 种格式 —— GGUF、AWQ —— 共 4 个档位。 其中 Q5_K_M 的公开困惑度损失最低,为 1.3%。列出的最快档位是 Q3_K_M,在 RTX 4090、batch 1 下约 48 tok/s —— 这是估算值,不是本站硬件上的实测。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行;AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM;EXL2 是 ExLlamaV2 —— 仅限 CUDA,而且已经归档,适合本机使用而不适合提供服务。

常见问题

Seed-OSS 36B Instruct 需要多少显存?
在 Q4_K_M、4K 上下文、batch 1 下约 23.9 GB,到 32K 时约 31.6 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲,由模型架构计算得出,不是在显卡上实测的。
Seed-OSS 36B Instruct 能在 32GB 显卡上跑吗?
可以 —— 在 Q4_K_M、4K 上下文下约需 23.9 GB,在 RTX 5090 上还剩 8.1 GB,本索引中 4 张 32 GB 显卡都一样。这是能宽裕跑它的最小规格;105 张中有 24 张可以。
Seed-OSS 36B Instruct 该用哪个量化档位?
Q5_K_M 的公开质量损失最低(1.3%),而 Q4_K_M 是多数人使用的档位。索引中的 4 个档位是 Q4_K_M、Q3_K_M、Q5_K_M、AWQ INT4。

这个模型能跑在哪

按 Q4_K_M、4K 上下文估算,显存从小到大排列。「从容」指估算占用不超过显存的 88%。

提供格式
GGUFAWQ
本站已做对比
GGUF vs AWQ

此模型的显卡组合

本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-11-22 RSS → /zh/feed.xml