一句话看懂：有社区爱好者用一台没有独立显卡、搭载 40 核处理器的旧服务器，运行了 Moonshot AI 的 2.8 万亿参数模型 Kimi K3，并借助英特尔傲腾持久内存 200 系列支撑大模型的加载与运行。这是社区层面的极端测试，不是官方发布的部署方案。
事件核心：发生了什么
据 AIbase 报道，一位爱好者在社区分享了这次测试：所用硬件是没有安装显卡的老旧服务器，CPU 为 40 核，目标是运行 Kimi K3。该模型属于混合专家（MoE）架构，参数规模达 2.8 万亿。测试者使用了英特尔傲腾持久内存 200 系列，把它当作容纳超大模型权重与 KV 缓存的关键层，从而绕开 GPU 显存容量的限制。目前公开信息显示，这只是一次个人实验的记录，具体吞吐、延迟和上下文长度等指标尚未在素材中给出，因此不能据此判断该配置是否具备生产可用性。
为什么重要
万亿参数模型的常规推理依赖高端 GPU 集群，显存容量往往是第一道门槛。这次测试的价值不在于证明 CPU 能替代 GPU，而在于提示另一条思路：当模型大到显存装不下时，大容量、相对低成本的持久内存可以作为分层存储的中间层，用内存带宽换显存容量。对预算有限的团队和研究者来说，这意味着超大模型的推理并非只有“堆显卡”一条路。不过，MoE 架构每次只激活部分专家，本身就更适合内存受限场景，这种组合能否推广到稠密模型仍需验证。
对用户/开发者/创作者的影响
对开发者而言，这条路径更适合实验、研究和低频推理，而不是高并发在线服务；若要在自有硬件上尝试超大模型，值得关注模型量化、专家调度和内存分层方案。对企业采购来说，傲腾系列产品线近年已出现调整，硬件可得性和价格需要单独核实，不宜直接照搬配置。对普通用户和创作者，这次测试不会改变现有 AI 应用的使用方式，主流产品的体验仍由云端推理集群决定。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是测试者是否公开更完整的性能数据，包括生成速度和长上下文表现；二是 Moonshot AI 或硬件厂商是否回应这一用法；三是是否出现更多基于 CPU 加大容量内存的开源推理实践，推动相关工具链完善。
来源：AIbase
