深度学习/AI 方向显卡 + 大模型 + 论文术语 全总结
一、核心显卡参数与定位（你最常用）
1. 主流显卡显存
- RTX 4090：24GB 显存（课题室主力，深度学习黄金配置）
- RTX 3060：12GB 显存（入门，可跑 7B 模型）（B = Billion十亿，70亿参数）
2. 显卡字母含义
- RTX：NVIDIA 消费级显卡，带 AI 加速核心，适合深度学习
- T（T4）：低功耗推理卡，不适合训练
- A（A10/A100/A800）：数据中心专业卡，训练/推理全能
- L（L40）：高端专业卡，48GB 显存
- H（H100）：旗舰卡，大模型集群专用
3. 显卡公司
- NVIDIA（英伟达）：美国公司，AI 深度学习绝对主流
- AMD（超威半导体）：美国公司，游戏显卡为主，AI 生态弱
- Intel：美国公司，以 CPU 为主，独立显卡极少用于 AI
二、大模型部署结论（软件漏洞检测方向）
- 普通课题室 24GB/48GB 显卡
- 无法部署 DeepSeek 671B 满血版大模型
- 可正常使用
- 7B/13B 开源代码大模型（DeepSeek-Coder、Qwen-Code 等）
- 支持 INT4/8 量化推理 + LoRA 轻量微调
三、大模型使用方式（硕士课题最实用）
1. 云端 API 调用（阿里云百炼、DeepSeek API 等）
- 优点：不用显卡、不用部署
- 限制：只能提示工程，无法微调
2. 云端微调（云平台训练）
- 优点：不用本地硬件，可训练专属模型
- 适合：快速出论文结果
3. 本地轻量部署微调
- 24GB 显卡可直接跑 7B/13B 模型 LoRA 微调
- 适合：做论文创新点、对比实验
四、论文必懂术语
1. Baseline（基线模型）
- 实验对照组
- 可使用：传统机器学习/深度学习、API 零样本结果、他人论文方法
2. SOTA（State-of-the-art）
- 当前某任务+数据集上性能最好的模型/方法
- 论文需要追赶或超越的标杆
五、最终结论（你的课题路线）
- 不部署满血大模型，也不需要部署
- 主流方案：云端 API 做基线 + 本地 7B/13B 模型微调做创新
- RTX 4090（24GB）完全满足硕士论文所有实验需求
