规划大模型推理服务时，"需要多少张GPU"是最实际的预算问题。答案并非简单越大越好，而是由模型参数量、量化精度、并发规模与延迟要求共同决定。B300 GPU单卡配备288GB HBM3e大显存、FP4稠密算力约1.1 PFLOPS、显存带宽约8TB/s，并拥有NVLink 5约1.8TB/s的卡间互联，大显存与高算力的组合让它在推理部署中往往能用更少的卡承载更大的模型。

本教程提供一套从显存测算到卡数规划的完整方法：先讲权重与KV缓存的显存估算公式，再按7B、70B、671B等典型模型规模给出单卡与多卡部署参考，最后结合并发与延迟要求给出扩容建议。

一、GPU卡数的测算方法

1. 权重显存：模型规模×精度

权重显存≈参数量×每参数字节数。以常见精度参考：FP16/BF16每参数2字节，FP8每参数1字节，FP4每参数0.5字节。例如70B模型FP16约140GB、FP8约70GB、FP4约35GB；671B模型FP16约1.3TB、FP8约671GB、FP4约336GB（均为粗估，实际还需计入嵌入层、路由等附加结构）。

2. KV缓存：并发与上下文的乘积

KV缓存大小≈2×层数×KV头数×每头维度×序列长度×并发数×每元素字节数。以主流开源模型结构粗估，70B模型单路32K上下文的KV缓存在FP16下可达数GB量级，使用分组查询注意力（GQA）的模型可显著降低。并发越高、上下文越长，KV缓存占用越大，这部分常常超过权重本身。

3. 卡数=总显存需求÷单卡可用显存，再取整到并行结构

单卡288GB减去框架与运行时开销（预留若干GB），实际可用约270GB至280GB。得到总需求后还需对齐并行结构：张量并行通常取2/4/8等值，且必须落在NVLink域内。最终的卡数是显存、吞吐与延迟三者的平衡结果。从供应侧看，天下数据自 2003 年经营 IDC 业务，整机、机柜与带宽可以在同一份方案里给出。

注：表中为权重部分的粗估参考值，实际部署需按所选框架、上下文配置与并发目标重新测算KV缓存后确定卡数。

二、按业务规模的部署方案

1. 轻量场景：单卡至单机

7B至32B级模型面向中小并发（数十路以内）时，单张B300即可提供充沛的算力与显存；FP4/FP8量化下单卡甚至可同时驻留多个小模型实例，适合多业务混部。单机8卡则可服务更高并发或同时跑多个不同模型。

2. 中型场景：70B级模型服务

70B模型FP8精度下单卡即可驻留权重并保留约200GB给KV缓存，支持较高并发；追求最大吞吐时采用TP4或TP8，8卡整机作为整体实例。参考业界同类平台规律，FP8+TP8的单实例吞吐在连续批处理调度下可达每秒数千Token量级（具体以实测为准）。

3. 旗舰场景：671B级MoE模型

671B模型FP8权重约671GB，单机8卡2.3TB显存可完整驻留并预留充足KV缓存；MoE的稀疏激活让每Token实际计算量远小于稠密同参数模型，吞吐表现优于直觉。若需128K以上超长上下文或更高并发，可扩展至两台节点，节点间以400G至800G网络互联。集群上线前的压力测试，天下数据可协助按标准脚本跑一轮并留存基线。对计划扩容的团队尤其重要。

三、从并发与延迟反推卡数的实操步骤

1. 明确业务指标

• 目标并发数：同时在线请求数与峰值倍数。
• 延迟要求：首Token延迟与生成速度（如每秒多少Token）。
• 上下文长度：会话平均与最大长度，决定KV缓存规模。
• 可用性要求：是否需要多副本容灾。

2. 四步测算流程

• 第一步：按公式计算权重显存与单路KV缓存，乘以目标并发得到总显存需求。
• 第二步：除以单卡可用显存（约270GB至280GB），得到显存下限卡数。
• 第三步：以吞吐目标做压测，检查GPU利用率与排队情况；若延迟不达标则增加卡数或改为更大TP度。
• 第四步：按TP2/TP4/TP8结构取整，并预留一至两张卡做冗余与灰度。

3. 提升单卡效率的配置技巧

• 启用PagedAttention类KV缓存管理与连续批处理，显著提高并发承载。
• 多轮对话开启前缀缓存，减少重复上下文计算。
• FP4/FP8量化在Blackwell Ultra架构上有原生加速，显存与吞吐双收益。
• 监控首Token延迟、Token间延迟、显存水位与批队列深度，作为扩容依据。

四、卡数规划的常见误区

1. 只看权重显存

最常见错误是按"参数量×字节"简单除以显存定卡数，忽略KV缓存与运行时开销，导致上线后并发上不去。务必按峰值并发的KV缓存复核。

2. 忽视并行对通信的依赖

张量并行的TP度越高，卡间通信越频繁；跨机使用大TP度会因网络延迟拖垮性能。TP度应控制在NVLink域内，跨机扩展优先用流水线或实例复制。

3. 过度配置与资源闲置

旗舰模型按峰值预算配置后，日常利用率可能只有两三成。建议采用"基线常备+弹性扩容"的组合：常备资源覆盖日均流量，峰值用租用算力补足，成本更优；具体价格以服务商实时报价为准。

五、不同业务类型的卡数规划参考

1. 在线对话与客服类业务

此类业务并发中等、单请求输出较短、对首Token延迟敏感。以70B级模型为例，FP8精度+TP4起步即可服务数百路以内的并发，流量增长后按整台8卡为单位横向加实例，而不是无限提高单实例TP度——实例越多，容灾与滚动升级越容易。多轮对话场景务必开启前缀缓存，可节省可观的重复计算。

2. 代码助手与长文本类业务

长输入长输出场景的KV缓存消耗远高于普通对话，同样卡数下的可承载并发明显下降。规划时应按最坏情况（最大上下文×峰值并发）测算显存，或将长文本请求路由到专用的大上下文实例池。B300的大显存在这类场景中优势明显：单卡可驻留的KV缓存规模数倍于普通显存机型。

3. 离线批处理与数据合成

离线任务不追求首Token延迟，追求总吞吐。可采用更大的批次窗口与更激进的调度，单实例吞吐通常比在线模式高三到五成。离线与在线混部时，建议以在线服务优先级为高，离线任务用剩余容量动态填充。

4. 多模型混合部署

企业往往同时需要多个模型：一个大参数主力模型加数个中小模型。B300服务器可按显存切分多实例，例如一台8卡机同时服务一个TP4的70B实例与两个单卡的32B实例。混部时注意为每个实例设定显存与算力上限，并保留热升级与故障隔离能力。

5. 弹性与租用策略

• 基线流量：常备固定算力，选择包月或整年合约，单价更低。
• 峰值流量：按小时租用弹性算力，用完即释。
• 新业务验证：先按小时租用单机做压测，数据明确后再决定长期配置。
• 容灾副本：至少保留一整台机器的冗余，避免单机故障导致服务中断。

不同计费模式的价格区间差异较大，具体以服务商实时报价为准。

六、部署方案规划实例与决策流程

1. 实例一：百人规模企业的知识库助手

假设业务基于32B级模型构建RAG知识库，内部并发峰值约50路，上下文多为8K以内。测算：FP8权重约32GB，50路8K上下文的KV缓存合计数十GB，单张B300即可承载并留有余量；考虑到可用性，配置两台单卡实例互为备份即可，或用一台8卡机混部多个内部模型。该场景无需旗舰配置，把预算留给数据与检索质量更有价值。

2. 实例二：面向外部的旗舰模型服务平台

假设业务基于671B级MoE模型对外服务，目标并发数百路、上下文32K。测算：FP8权重约671GB，数百路32K的KV缓存可达TB级，单机8卡2.3TB显存接近极限，建议以两台节点起步并按压测结果扩容；同时配置独立实例承接超长上下文请求。此类业务的卡数规划应以压测数据为准，并预留三成余量应对流量尖峰。

3. 通用决策流程

• 第一步：确定模型、量化精度、并发目标与延迟指标。
• 第二步：计算权重显存与KV缓存，得出显存下限卡数。
• 第三步：选择并行结构（TP/EP组合），按NVLink域约束取整。
• 第四步：租用目标配置做真实流量压测，校准吞吐与延迟。
• 第五步：确定基线常备量与弹性扩容策略，明确冗余副本。

4. 长期运营视角

GPU选型决策还应考虑模型的演进：若业务计划未来半年升级到更大的模型或显著增长并发，当前的部署架构应预留升级路径——例如网络端口、机柜功率与调度平台都应支持向多机扩展。避免每次升级都推倒重来的关键，是在第一次部署时就按"下一档模型"的标准预留基础设施余量。硬件投入与租赁方案的价格，以服务商实时报价为准。

八、租用与自建的决策边界

1. 按使用时长判断

卡数规划最终要落到采购模式上。经验法则：全年有效使用率低于一半的部署需求，租用通常更划算；接近满负荷且需求稳定超过一年以上的，自建或长期合约的边际成本更低。介于两者之间的业务，可组合"长期合约基线+按小时弹性补充"两种方式。

2. 运维能力的现实考量

自建不仅意味着购买硬件，还意味着承担驱动升级、故障更换、监控告警与安全加固等长期运维工作。若团队没有专职GPU运维工程师，租用服务商托管算力能把精力集中在业务本身。评估服务商时，除价格外应关注：机房等级与网络质量、故障响应SLA、以及是否支持快照迁移等增值能力。

3. 风险与合规提示

无论租用还是自建，都应做好数据安全规划：推理服务涉及的用户对话数据、微调涉及的企业私有语料，都应明确存储位置与访问权限；采用租用模式时，建议与服务商确认数据隔离措施与销毁流程，敏感业务优先选择私有网络隔离的部署形态。

如果正在评估 B300 服务器部署，这类负载最终要落到具体的整机与机房里——天下数据在美洲、亚洲、欧洲的 120 多个节点均可按需开通，机型覆盖主流 AI 加速卡；支持按需开通与包月两种计费，扩容按整机或节点分批推进。对跨境业务有需求的团队，值得纳入首轮询价名单。

九、总结

B300服务器部署大语言模型的卡数可以按"显存下限+吞吐校准"两步确定：7B至32B级模型单卡即可从容服务；70B级模型FP8下单卡驻留权重，高并发场景用4至8卡张量并行；236B级MoE模型单机内2至8卡灵活切分；671B旗舰FP8下单机8卡即可完整部署，是B300大显存优势最直观的体现。测算时牢记权重显存与KV缓存两笔账，再以压测数据校准吞吐与延迟。实际卡数、机型与租赁价格，建议以服务商实时报价为准。

如需按业务并发测算B300部署卡数并获取配置方案与报价，可通过天下数据官网（www.idcbest.com）获取方案与报价。

本文链接：https://www.idcbest.com/cloundnews/11018879.html