Hy4 preview 如何本地部署？
Hy4 preview 是 MoE 模型，總參數 770B，每 token 啟用 49B。Q4 量化整機放顯存需要 431GB；把專家放進系統記憶體後只需 18GB 顯存 + 415GB 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 15 tokens/s。卸載模式下最便宜能跑的顯示卡是 Tesla V100 32GB，預估 3 tokens/s。
Hy4 preview 版本資訊
Hy4 preview 本地部署需要多少顯示記憶體？
MoE：總參數 770B 全部要常駐記憶體，速度按每 token 啟用的 49B 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 | 235.4GGUF | 182.4 | 184.5 | 192.7 |
| 2-bit | 286.1估 | 287.8 | 289.9 | 298.1 |
| 3-bit | 369估 | 370.6 | 372.7 | 380.9 |
| 4-bit | 467.3GGUF | 430.9 | 432.9 | 441.2 |
| 5-bit | 519.6估 | 521.2 | 523.3 | 531.5 |
| 8-bit | 798.2估 | 799.8 | 801.9 | 810.1 |
| FP16 | 1,505.9估 | 1,507.6 | 1,509.7 | 1,517.9 |
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 1M 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 Hy4 preview？
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 | 15 | 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。
Hy4 preview 混合推論推薦顯示卡
專家權重放系統記憶體，需要 ≥ 415 GB 記憶體；顯存只放注意力層、共享專家和 KV cache，Q4 下最低 18 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 Hy4 preview
Ollama 庫暫無官方標籤。
./build-cuda/bin/llama-cli -m Hy4-preview-Q4_K_M.gguf -ngl 99 -c 8192 --jinja -st -f prompt.txt
docker run --gpus all \
-p 8000:8000 \
--ipc=host \
-v ~/.cache/huggingface:/root/.cache/huggingface \
vllm/vllm-openai:hy4-preview tencent/Hy4-preview-FP8 \
--tensor-parallel-size 8 \
--speculative-config '{"num_speculative_tokens":3,"method":"mtp"}' \
--attention-backend FLASHMLA_SPARSE \
--tool-call-parser hy_v4 \
--reasoning-parser hy_v4 \
--enable-auto-tool-choice \
--port 8000 \
--served-model-name hy4-preview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
Hy4 preview 需要多少記憶體？
在 Q4_K_M 量化、8K 上下文下 Hy4 preview 約需 431GB 記憶體，留到 520GB 更穩。
哪張顯示卡最便宜能跑 Hy4 preview？
Mac Studio M3 Ultra 512GB，512GB 記憶體，目前二手中位價約 NT$608,880，預估 15 tokens/s。
Hy4 preview 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。