论文Reinforce Adjoint Matching
RAM
TU Munich博士生Andreas Bergmeister提出的扩散模型强化学习后训练方法，通过Reinforce Adjoint Matching实现后训练提速50倍，基于第一性原理推导出可扩展的训练目标
时间轴 (近 90 天)
10月13日
MoE模型的专家FFN权重占据大部分体积，但每次只读取一小部分，这部分应放RAM，RAM不够时由操作系统从SSD分页加载。
待验证50%
10月13日
当RAM ≥ 专家权重的70%时，MoE模型运行速度几乎与全内存运行无异；RAM在40%-70%之间时，速度随提示词波动；RAM < 40%时通常不值得运行。
待验证50%
10月7日
模型运行时需要把权重加载进RAM（系统内存）或VRAM（显存），硬盘容量大并不代表模型能跑起来
待验证50%
10月6日
端侧运行AI模型需要更大的RAM，这推高了整个行业对内存芯片的需求
待验证50%
8月27日
机器学习笔记本内存建议至少16GB，系统内存与显存是完全独立且不能互相替代的两个资源
待验证50%
全部知识事实 (6)
待验证
显存带宽与系统内存带宽之间相差大约10倍
85%待验证MoE模型的专家FFN权重占据大部分体积，但每次只读取一小部分，这部分应放RAM，RAM不够时由操作系统从SSD分页加载。
50%待验证当RAM ≥ 专家权重的70%时，MoE模型运行速度几乎与全内存运行无异；RAM在40%-70%之间时，速度随提示词波动；RAM < 40%时通常不值得运行。
50%待验证模型运行时需要把权重加载进RAM（系统内存）或VRAM（显存），硬盘容量大并不代表模型能跑起来
50%待验证端侧运行AI模型需要更大的RAM，这推高了整个行业对内存芯片的需求
50%待验证机器学习笔记本内存建议至少16GB，系统内存与显存是完全独立且不能互相替代的两个资源
50%