显存不够，几乎是每个微调项目的“入场仪式”
如果你做过大模型微调，那“显存不够”这四个字，你几乎不可能陌生。
第一次跑，直接 OOM。
换个 batch size，再 OOM。
开 bf16，还是不够。
关掉一些东西，终于能跑了，但速度慢得离谱。
很多人会在这个阶段得出一个结论：
“是我显卡不行。”
但当你真的开始拆解显存使用之后，你会发现一个非常反直觉的事实：
大多数显存，并不是被模型参数吃掉的。
而你之所以总感觉显存不够，往往是因为你根本不知道显存是怎么被花掉的。
一个必须先说清楚的事实：显存不是“模型大小 × 2”
这是新手最常见、也最危险的一个误解。
很多人心里都有一笔非常粗糙的账：
模型参数多少 GB，我有多少显存，差不多就能跑。
但在真实训练中，这个估算几乎一定是错的。
因为模型参数，只是显存账单里最小的一项。
显存构成的“账单拆解图”
显存第一大户：激活（Activation），而且它非常“隐蔽”
很多人第一次被问到“显存主要花在哪”，会下意识回答：
模型参数。
但在训练阶段，真正吃显存的，往往是 activation。
activation 是什么？
简单说，就是模型前向计算过程中，每一层产生的中间结果，用来在反向传播时算梯度。
关键在于两点：
第一，activation 和 batch size 强相关
batch size 一大，activation 几乎线性增长。
第二，activation 和模型深度强相关
层数越多，存的中间结果就越多。
所以你会看到一个非常典型的现象：
模型参数看起来不大，但一开训练就 OOM。
不是模型“太大”，而是 activation 在默默吃显存。
batch size 增加导致 activation 激增示意图
第二大头：优化器状态，尤其是 Adam
如果你用的是 Adam 或 AdamW，那你几乎一定低估了它的显存消耗。
Adam 至少要为每一个可训练参数，维护两份额外状态：
-
一份一阶动量
-
一份二阶动量
也就是说：
参数 × 3，才是 Adam 的真实显存账单。
在全参数微调里，这个成本是灾难性的；
在 LoRA 微调里，它看起来“还好”，但依然不可忽视。
第三个被忽略的消耗：梯度本身
很多人以为梯度“算完就没了”，但实际上，在反向传播过程中，梯度也要完整存储。
尤其是在没有梯度累积、没有清理缓存的情况下，梯度会和 activation 一起，占据一大块显存。
这也是为什么你会看到：
前向还好，
一到 backward 就直接炸显存。
显存杀手中的“隐形 Boss”：PyTorch 缓存与碎片化
这是很多人查了一天 nvidia-smi 都想不明白的问题。
你明明看到：
显存用了 20GB，卡有 24GB，
但就是分配不了一个 1GB 的 tensor。
原因很简单：
显存碎片化。
PyTorch 会缓存显存以加速后续分配，但这也意味着，显存并不是一整块连续空间。
你“看得到”的空闲，不等于“用得上”。
为什么你“已经开了 bf16”，显存还是不够
很多人会觉得：
“我已经用 bf16 / fp16 了，应该很省显存了。”
但半精度，只解决了一件事：
参数和部分激活的存储大小。
它并没有解决：
-
activation 数量本身
-
优化器状态数量
-
缓存和碎片化
所以 bf16 是“必要条件”，但绝不是“充分条件”。
gradient checkpointing：显存的“以时间换空间”
这是最常见、也最有效的一种显存优化方式。
gradient checkpointing 的核心思想非常朴素：
我不保存所有中间激活，需要时再算一遍。
这会明显降低 activation 的显存占用，但代价是：
前向计算要重复做，训练时间会变长。
下面是一段非常典型的开启方式（示意）：
model.gradient_checkpointing_enable()
这一行代码，往往能直接救活一个“差一点就 OOM”的训练。
checkpointing 前后显存 vs 时间对比图
梯度累积：你以为在调 batch，其实在拆账单
当 batch size 太大显存扛不住时，梯度累积是最常见的替代方案。
它的本质是：
把一个大 batch，拆成多个小 batch，梯度累加后再更新。
loss = loss / grad_accum_steps
loss.backward()
if step % grad_accum_steps == 0:
optimizer.step()
optimizer.zero_grad()
这样做的好处是：
activation 显存按“小 batch”算，
但优化效果近似“大 batch”。
坏处是：
-
训练逻辑更复杂
-
调试更容易出错
真实 batch vs 梯度累积 batch 示意图
Offload：显存省了，但系统开始“喘气”
当你开始把 optimizer state 或部分参数 offload 到 CPU，你确实能省下一大截显存。
但你也必须意识到：
你是在用 PCIe 带宽换显存。
一旦 offload 过多，训练速度可能直接腰斩，甚至不稳定。
这类优化，非常不适合新手“无脑打开”。
一个容易被忽略的问题：你可能根本不需要“这么大”
这是一个很多人不愿意面对的问题。
你显存不够，真的是因为模型必须这么大吗？
还是因为你默认选了一个“看起来更强”的模型？
在微调阶段，模型大小的边际收益往往非常低。
有时候，换一个小一点的基座模型，反而比死磕显存优化更理性。
一个现实建议：别一开始就把显存榨干
这是我见过最多人踩的坑。
刚好能跑 ≠ 稳定能跑
刚好不 OOM ≠ 可以反复试错
你永远需要给显存留余地，用来：
-
调试
-
评估
-
临时开 profiler
-
打印中间结果
显存问题，往往是“系统设计问题”，不是参数问题
当你已经打开 bf16、checkpointing、梯度累积，还是跑不动时，通常意味着一件事：
你该停下来重新审视整体方案了。
继续抠显存，只会让系统越来越脆。
一个健康的显存优化顺序（经验总结）
不是“能开什么开什么”，而是：
-
bf16 / fp16
-
减 batch size
-
梯度累积
-
gradient checkpointing
-
评估是否需要 offload
-
重新审视模型规模
在显存受限阶段，更重要的是“验证方向”
这点和前面几篇其实是一脉相承的。
当你显存很紧张时，你真正该做的，不是把训练堆到极限，而是尽快验证：
这个方向值不值得继续投入。
在显存和算力都受限的阶段，先用 LLaMA-Factory online 快速跑通微调流程、验证数据和目标是否有效，再决定是否投入重资源，会比一开始就死磕本地显存更理性。
总结：显存不够，往往是你“算错账”，而不是你“资源太少”
写到最后，其实可以把这篇文章压缩成一句话：
显存问题，本质上是一个系统认知问题。
当你真正搞清楚显存是怎么被吃掉的，你会发现：
很多 OOM，并不是不可避免的；很多显存优化，也不是必须的。
真正成熟的工程师，不是“把显存榨到 0”，而是知道哪些钱该省，哪些钱不该省。