待验证50% 置信事实精确时间
内存带宽而非算力（FLOPS）是决定本地 LLM 推理速度的核心瓶颈，因为生成每个 token 需将几乎全部模型权重从内存读入计算单元
1
来源数
50%
置信度
长期有效
时效性
2026/9/25
首次发现
来源
涉及实体
相关事实
待验证LLM 推理通常是内存带宽瓶颈而非计算瓶颈，量化通过减少内存带宽需求提升吞吐78% 相似待验证LLM解码过程是内存带宽受限（memory bound）的，GPU在逐token生成时大部分时间处于等待数据搬运的状态76% 相似已验证大模型推理的速度瓶颈是内存带宽而非算力不足，每生成一个token需要从内存加载数百GB的模型权重76% 相似待验证运行本地LLM时显存容量往往比计算速度更为关键，显存容量直接决定了能运行哪些模型75% 相似待验证如果主力工作是本地跑大语言模型（LLM），内存容量直接决定能跑多大参数的模型，36G/48G甚至更高才能流畅跑7B-13B量化模型，此时内存优先级高于一切73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/949232API
curl https://kongchang.com/api/v1/knowledge/claims/949232MCP
get_claim(id=949232)