内存带宽
衡量数据在内存与处理器之间传输速度的指标，单位通常为GB/s，是本地运行大语言模型时decode（解码）阶段的核心性能瓶颈
核心事实
时间轴 (近 90 天)
内存带宽决定权重读取速度并影响生成每个token的延迟，浮点算力（FLOPS）决定矩阵运算速度并影响prefill阶段处理输入提示词的速度
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
移动SoC的内存带宽通常在50至100 GB/s级别，远低于数据中心GPU的数百GB/s
大模型推理的性能上限往往不取决于芯片的峰值算力（FLOPS），而是取决于内存带宽
内存带宽是大模型推理延迟的主要瓶颈之一，计算单元往往处于等待数据加载状态，这一现象称为「内存墙」
选择AI设备时不能只看代际数字，应关注内存带宽和内存容量等实质规格
本地AI推理速度公式为Token/s ≈ 内存带宽 / 每token需读取的数据量
本地AI推理速度公式为 Token/s ≈ 内存带宽 / 每token需读取的数据量，大语言模型生成每个token采用自回归方式
每写出一个token，Mac需要从内存中读取整个模型，因此内存带宽成为推理速度的根本上限
全部知识事实 (9)
每写出一个token，Mac需要从内存中读取整个模型，因此内存带宽成为推理速度的根本上限
65%待验证内存带宽决定权重读取速度并影响生成每个token的延迟，浮点算力（FLOPS）决定矩阵运算速度并影响prefill阶段处理输入提示词的速度
50%待验证内存带宽而非算力（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
50%待验证移动SoC的内存带宽通常在50至100 GB/s级别，远低于数据中心GPU的数百GB/s
50%待验证大模型推理的性能上限往往不取决于芯片的峰值算力（FLOPS），而是取决于内存带宽
50%待验证内存带宽是大模型推理延迟的主要瓶颈之一，计算单元往往处于等待数据加载状态，这一现象称为「内存墙」
50%待验证选择AI设备时不能只看代际数字，应关注内存带宽和内存容量等实质规格
50%待验证本地AI推理速度公式为Token/s ≈ 内存带宽 / 每token需读取的数据量
50%待验证本地AI推理速度公式为 Token/s ≈ 内存带宽 / 每token需读取的数据量，大语言模型生成每个token采用自回归方式
50%