Gaudi 3 128GB 能跑 Inkling 吗？

Intel · 128 GB HBM2e · 带宽 3276 GB/s · Thinking Machines · 975.0B（激活 41.0B） · MoE · 模型上下文最长 1024K

不能——Inkling 在 Q4 下即使 4K 上下文也约需 541.35 GB，超出 Gaudi 3 128GB 的 128 GB HBM2e。只能靠重度 CPU/磁盘 offload 勉强运行。 FP16 约需 1959.2 GB——此卡装不下。 估算来自显存带宽公式；标注「实测」的行覆盖估算。相对排名比绝对 tok/s 更可靠。 方法论.

各量化与上下文下的装机与速度

量化	上下文	所需 VRAM	装得下？	tok/s（解码）
Q4	4K	541.35 GB	否	—
Q4	8K 默认	545.45 GB	否	—
Q4	32K	570.05 GB	否	—
FP16	4K	1955.1 GB	否	—
FP16	8K 默认	1959.2 GB	否	—
FP16	32K	1983.8 GB	否	—

装得下 = 权重 + KV(上下文) + 1 GB 开销 ≤ 95% VRAM。实测锚点与上下文无关；装机结论按上下文分别计算。tok/s 缺失表示模型远超此卡能力（只能纯 offload）。

8K 上下文 VRAM 明细

量化	权重	KV cache	开销	合计所需	Gaudi 3 128GB VRAM
Q4	536.25 GB	8.2 GB	1 GB	545.45 GB	128 GB
FP16	1950.0 GB	8.2 GB	1 GB	1959.2 GB	128 GB

其他能跑 Inkling 的 GPU

目录中没有 GPU 能在 Q4/8K 下完整装下 Inkling——offload 估算见模型页。 模型页

Inkling 的全部 GPU →

Gaudi 3 128GB 可跑的其他模型

• MiniCPM5-1B — ≈1930.3 tok/s Q4 估算
• Qwen3.5-2B — ≈1042.4 tok/s Q4 估算
• GLM-4.7-Flash — ≈694.9 tok/s Q4 估算
• Qwen3-30B-A3B-Instruct-2507 — ≈694.9 tok/s Q4 估算
• Qwen3-Next-80B-A3B-Instruct — ≈694.9 tok/s Q4 估算
• Qwen3-Coder-Next — ≈694.9 tok/s Q4 估算
• Qwen3.5-35B-A3B — ≈694.9 tok/s Q4 估算
• Qwen3.6-35B-A3B — ≈694.9 tok/s Q4 估算

Gaudi 3 128GB 上的全部模型 →