$第四范式(06682)$ 第四范式推出「Virtual VRAM」可插入式虚拟显存扩展卡 GPU算力资源利用率大幅提升

在当前GPU架构下，显存容量已成为制约AI大模型运行效率的关键瓶颈。当面对ChatGPT响应延迟或Stable Diffusion因显存不足而中断时，扩展显存已成为众多企业或个人的共性需求。

今天（9月28日），第四范式正式发布「Virtual VRAM」可插入式虚拟显存扩展卡。该产品创新地将物理内存资源转化为可动态调度的显存缓冲池，实现计算资源的弹性扩展。值得关注的是，「Virtual VRAM」可以在不修改现有代码和重新编译的情况下无缝接入当前GPU系统，大幅降低了部署复杂度，不用换显卡就可以解决显卡不足的痛点。第四范式创始人戴文渊，第四范式联合创始人、首席科学家陈雨强出席发布活动。

图片

图片

01 显存不够？内存来凑！

传统GPU的显存如同一方固定的“厨房备菜台”——空间有限，只能容纳当下正在处理的食材（数据），而且扩展成本极高，但它的大小又直接决定了究竟能放多少菜，也就直接影响到最终能炒多大一桌菜（运行多大规模的模型）。

传统模式下，当AI模型过大或并发任务过多时，“备菜台”（即显存容量）便拥挤不堪，工作难以开展。用户往往只能选择购买更高端的显卡或多卡扩展，成本陡增。

「Virtual VRAM」可插入式虚拟显存扩展卡，创新性地为“备菜台”增加了一个“储藏室”——把高速内存虚拟为显存使用，构建起显存与内存之间的高效数据通道，实现容量的弹性扩展。这一机制可以类比为在“备菜台”旁增设“储藏室”：常用的数据、模型就放在手边“备菜台”，不是那么急需的就放置在远一点的“储藏室”里。这样，就算要“炒一桌满汉全席”，也不用担心“各种备菜+调料”放不下了。

陈雨强介绍，这次发布的单张显卡的虚拟显存容量可扩展至最高256GB（以NVIDIA H20显卡96GB显存为例），相当于10张NVIDIA RTX 4090或6张NVIDIA A100的物理显存容量。用户无需更换硬件，即可在接近原生大显存的访问性能下，突破原有显存限制。

这一设计既保持了GPU计算的高效性，又显著提升了显存资源的利用弹性，使单卡也能轻松承载大规模AI训练与推理任务，实现高性能与大容量的统一。

图片

图片

02 双场景破解行业痛点

目前，AI大模型无论从数量还是尺寸，都呈现爆炸式增长，显存容量显然已经成为高效、低成本构建AI服务的瓶颈，第四范式力求破解这一难题，让模型部署不再受限于显存容量。

「Virtual VRAM」可插入式虚拟显存扩展卡正是瞄准这样两大核心场景，应运而生：

在大模型单卡运行场景中：当显存不足时，用户无需购买第二张显卡，只需“借用”适量内存，即可实现模型运行，成本大幅降低

在轻负载场景中：可将数十个模型置于同一张GPU上，按需调用，大幅提升资源利用率，避免“一模型一卡”的浪费现象

03 透明普惠，无缝适配多种环境

「Virtual VRAM」可插入式虚拟显存扩展卡不仅是高性能服务器内存，还能提供无缝、透明的显存扩展能力，其核心优势在于：

完全透明性：现有GPU程序无需任何修改、编译，即插即用

广泛普适性：支持物理机、Docker容器及Kubernetes等云原生环境，避免了对源代码的修改，均可透明化无缝使用

尤为关键的是，产品实现了对现有代码的完全兼容。使用者无需为适配硬件而投入额外开发资源，也无需对原有GPU程序做任何源代码层面的调整，即可直接启用扩展显存。

这意味着，企业能够显著降低因技术迭代带来的人力与时间成本，避免重复开发投入。在享受扩展能力的同时，真正实现“零修改”部署，让研发资源聚焦于业务创新，而非底层适配。

未来，第四范式将持续与市面内存企业达成合作，协同助力企业降本增效，提供AI新选择。