第四范式(06682.HK)发布「Virtual VRAM」虚拟显存扩展卡，GPU资源利用率实现突破

（原标题：第四范式(06682.HK)发布「Virtual VRAM」虚拟显存扩展卡，GPU资源利用率实现突破）

在AI大模型迅速发展的背景下，GPU显存容量正成为制约模型训练与推理效率的关键瓶颈。单卡运行时显存不足，又或是轻负载场景中一模型一卡的部署形态，无不反映出市场对高效、低成本扩展显存资源的迫切需求。

近日，第四范式正式推出了「Virtual VRAM」可插入式虚拟显存扩展卡，该产品通过将物理内存转化为可动态调度的显存缓冲池，实现了GPU算力资源的弹性扩展。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。

传统GPU显存容量固定且扩展成本高昂，限制了AI模型规模的扩大与多任务并发能力。用户往往只能通过购置更高端显卡或多卡并行来缓解压力，导致投入成本急剧上升。第四范式的「Virtual VRAM」创新性地构建了显存与内存之间的高速数据通道，将内存虚拟为显存使用，相当于为原有的“固定备菜台”配置了一个可灵活调度的“储藏室”，从而在不大幅变更硬件结构的前提下，突破显存容量限制。

据第四范式联合创始人、首席科学家陈雨强介绍，单张显卡在使用该扩展卡后，虚拟显存容量最高可扩展至256GB。以NVIDIA H20显卡为例，其原生显存为96GB，扩展后相当于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性能的状态下，运行更大规模的AI训练与推理任务。

该产品主要面向两大应用场景：一是在大模型单卡运行显存不足时，用户可通过调用内存资源继续完成任务，从而避免采购额外显卡，显著降低成本；二是在轻负载场景中，可将多个模型部署于同一GPU，实现资源动态调度，有效解决“一模型一卡”带来的资源闲置问题。

此外，「Virtual VRAM」具备高度兼容性与部署便利性。产品支持物理机、Docker容器及Kubernetes等云原生环境，用户无需修改现有代码或重新编译即可实现即插即用，大幅降低了部署复杂度和二次开发成本。

分析认为，随着AI模型数量与参数规模持续高速增长，显存容量已成为制约企业AI能力构建与成本控制的关键因素。第四范式此次发布的新产品，有望为企业提供更具性价比的算力扩展方案，帮助用户在保持高性能的同时进一步实现降本增效。未来，第四范式计划与更多内存厂商展开合作，持续推动AI基础设施的优化与普及。