Hy3 如何本地部署？
Hy3 是 MoE 模型，總參數 295B，每 token 啟用 21B。Q4 量化整機放顯存需要 168GB；把專家放進系統記憶體後只需 10GB 顯存 + 160GB 記憶體。目前最便宜能跑的顯示卡是 Mac Studio M3 Ultra 512GB，二手約 NT$608,880，預估 30 tokens/s。卸載模式下最便宜能跑的顯示卡是 Tesla V100 16GB，預估 7 tokens/s。
Hy3 版本資訊
Hy3 本地部署需要多少顯示記憶體？
MoE：總參數 295B 全部要常駐記憶體，速度按每 token 啟用的 21B 計算。
| 量化 | 權重體積GB | 8K 總記憶體GB | 32K 總記憶體GB | 128K 總記憶體GB |
|---|---|---|---|---|
| 1-bit | 71.1GGUF | 72.7 | 80.2 | 110.2 |
| 2-bit | 107.2GGUF | 113.1 | 120.6 | 150.6 |
| 3-bit | 143.1GGUF | 144.9 | 152.4 | 182.4 |
| 4-bit | 182.2GGUF | 167.9 | 175.4 | 205.4 |
| 5-bit | 212.8GGUF | 202.5 | 210 | 240 |
| 8-bit | 317.7GGUF | 309.3 | 316.8 | 346.8 |
| FP16 | 577估 | 580.5 | 588 | 618 |
總記憶體 = 權重 + KV cache（FP16）+ 1GB 執行開銷。標 GGUF 的權重是倉庫裡的實測檔案體積，標「估」的按每參數位元組估算。超過這個模型 256K 上下文上限的檔位寫「—」。各檔取倉庫裡該位元數的任一檔案，優先 unsloth 動態量化，所以同一檔不同模型對應的檔名可能不同。
什麼顯示卡能跑 Hy3？
Q4_K_M · 8K 上下文 · 依閒魚二手價升序| 裝置 | 顯存GB | 二手價 | 預估 t/s | 建議上下文 |
|---|---|---|---|---|
| Mac Studio M3 Ultra 512GB | 512 | NT$608,8803 筆掛單 | 30 | 128K |
判定口徑：權重 + KV cache + 執行開銷 ≤ 可用記憶體，單卡。MoE 模型標「卸載」表示把專家權重放進系統記憶體後能跑（顯存只放注意力層與 KV cache），速度按記憶體頻寬 70 GB/s 估算。上下文欄給的是能裝下的最大檔位。
Hy3 混合推論推薦顯示卡
專家權重放系統記憶體，需要 ≥ 160 GB 記憶體；顯存只放注意力層、共享專家和 KV cache，Q4 下最低 10 GB。速度受記憶體頻寬限制（按 70 GB/s 估算），比整機放顯存慢得多。
用 Ollama / llama.cpp / vLLM 本地部署 Hy3
Ollama 庫暫無官方標籤。
llama.cpp 直接從 Hugging Face 拉 GGUF，-c 是上下文長度。
llama-server -hf bartowski/Hy3-GGUF:Q4_K_M --jinja -c 8192
# Switch to trtllm backend to work-around mnnvl workspace size issue. export VLLM_FLASHINFER_ALLREDUCE_BACKEND=trtllm vllm serve tencent/Hy3 \ --tensor-parallel-size 8 \ --speculative-config.method mtp \ --speculative-config.num_speculative_tokens 2 \ --tool-call-parser hy_v3 \ --reasoning-parser hy_v3 \ --enable-auto-tool-choice \ --port 8000 \ --served-model-name hy3
量化檔名以模型庫當週抓取為準，口徑見資料方法。 資料方法
常見問題
Hy3 需要多少記憶體？
在 Q4_K_M 量化、8K 上下文下 Hy3 約需 168GB 記憶體，留到 204GB 更穩。
哪張顯示卡最便宜能跑 Hy3？
Mac Studio M3 Ultra 512GB，512GB 記憶體，目前二手中位價約 NT$608,880，預估 30 tokens/s。
Hy3 能用 Ollama 跑嗎？
暫時不行，Ollama 庫還沒有它的官方標籤；可以用 llama.cpp 載入 GGUF。