Janas 开源 LLM 推理引擎：SSD 流式加载专家突破 RAM 限制，32GB 笔记本跑 48GB MoE 模型提速近 9 倍Hacker News AIT2·开发与工程

Janas 开源 LLM 推理引擎：SSD 流式加载专家突破 RAM 限制，32GB 笔记本跑 48GB MoE 模型提速近 9 倍

原标题：Janas: Run LLMs larger than RAM by streaming experts from SSD

78AI 研判分

Janas 发布开源 LLM 推理引擎，通过从 NVMe SSD 直接流式读取混合专家（MoE）权重，成功在 32GB 内存的笔记本上运行 48GB 的大模型。实测显示其生成速度达 24 tok/s，较 llama.cpp 的 2.8 tok/s 提升近 9 倍，显著降低了大模型本地部署的硬件门槛。

报道正文

本文目录2 个章节

Janas

在一台配备 32 GB 内存的笔记本电脑上，Qwen3-Next-80B（一个 48 GB 的模型）达到了 37 tok/s；在不使用草稿模型的情况下为 24 tok/s，而 llama.cpp 仅为 2.8 tok/s；读取提示词时速度为 62 tok/s，对比 llama.cpp 的 16 tok/s。在同一台笔记本电脑（Debian 13 Linux、Intel Core Ultra 9 185H、其集成 Arc GPU、32 GB 内存、NVMe SSD；测试时间为 2026 年 10 月 9-11 日；整机配置见下文）上，Janas-LLM 在所有对比模型上的表现均快于 llama.cpp：

模型	读取 1,024 tokens: Janas-LLM	llama.cpp	生成: Janas-LLM	llama.cpp
Qwen3-Next-80B-A3B (48.4 GB, 超出内存容量)	62 tok/s	16 tok/s	24 tok/s	2.8 tok/s
Qwen3-Coder-Next (48.4 GB, 超出内存容量)	66 tok/s	14 tok/s	22 tok/s	2.2 tok/s
Qwen3.6-35B-A3B	104 tok/s	79 tok/s	19 tok/s	12 tok/s
Qwen3-30B-A3B	135 tok/s	122 tok/s	32 tok/s	15 tok/s
Gemma-4-26B-A4B-it	84 tok/s	76 tok/s	18 tok/s	12 tok/s
Gemma-4-12B-it	65 tok/s	46 tok/s	9.9 tok/s	7.1 tok/s
Qwen3.5-9B	111 tok/s	78 tok/s	14 tok/s	8.7 tok/s
Gemma-4-E4B-it	122 tok/s	109 tok/s	20 tok/s	15 tok/s
Qwen3-4B	193 tok/s	164 tok/s	27 tok/s	18 tok/s
Gemma-4-E2B-it	191 tok/s	150 tok/s	38 tok/s	19 tok/s
Qwen3.5-2B	441 tok/s	323 tok/s	52 tok/s	28 tok/s
Qwen3.5-0.8B	799 tok/s	519 tok/s	109 tok/s	32 tok/s
Qwen3-0.6B	939 tok/s	670 tok/s	130 tok/s	45 tok/s

旁边目录中由其他社区维护的同款模型数据：

模型	读取 1,024 tokens: Janas-LLM	llama.cpp	生成: Janas-LLM	llama.cpp
Qwen3-30B-A3B, bartowski 的 Q4_K_M (importance matrix)	131 tok/s	122 tok/s	32 tok/s	16 tok/s
Qwen3-30B-A3B, unsloth 的 UD-Q3_K_XL (3 bits)	100 tok/s	112 tok/s	36 tok/s	11 tok/s
Qwen3-4B, bartowski 的 Q4_K_M (importance matrix)	191 tok/s	160 tok/s	26 tok/s	18 tok/s

有一个例外：3-bit 量化版本的 Qwen3-30B-A3B 在读取阶段略慢于 llama.cpp，但在生成阶段仍快得多。这是因为该模型的权重尚未完全适配到 GPU 加速路径。

测量方法说明：所有基准测试均在相同硬件和软件环境下进行，使用 llama-bench 标准工具链。"读取"指预填充（prefill）阶段处理 1,024 个 token 的速度，"生成"指解码（decode）阶段的平均 token 生成速率。数值为多次运行的中位数，误差范围 ±3%。

curl -LO https://github.com/prabanta-dev/janas/releases/latest/download/janas-linux-x86_64.tar.gz
tar xf janas-linux-x86_64.tar.gz && cd janas
./janas-chat                     # 它支持的模型：选择一个，程序会自动下载并校验

或在 Windows 10（1903 或更高版本）和 11、x86-64 架构上：下载 janas-windows-x86_64.zip，解压后，在其 janas 文件夹中的终端里运行 .\janas-chat。在同一台笔记本电脑的 Windows 11（2026 年 10 月 12 日）环境下，Janas-LLM 的生成速度与 Linux 相当（Qwen3-4B 为 25.6 tok/s，Qwen3-30B-A3B 为 34.2），提示词读取速度在混合专家模型下同样快（Qwen3-30B-A3B 为 132 tok/s），而在稠密模型下则快 1.8 倍（Qwen3-4B 为 346 tok/s，对比 Linux 下的 193），这是因为其完整的数据块通过 Intel 自家的 Windows 驱动程序直接送入 GPU。

这些模型已从 Hugging Face 预先转换完毕；若要从源代码构建，请参阅：快速开始。

文本

  ▄███████████▄    
▄███████████████▄  
███ ▄ █████ ▄ ███ ▄   J A N A S
███▄▄▄█████▄▄▄████ 
▀█████▄▀▀▀▄█████▀ ▀   a family of tools for artificial intelligence, in C
  █████████████    
 █ █ █ █ █ █ █ █   
▀ ▀ ▀ ▀ ▀ ▀ ▀ ▀

Janas 是一系列用于人工智能的工具，使用 C 语言编写，除了 C 标准库外没有任何其他依赖。其首个组件 Janas-LLM 能够在普通计算机上运行大型混合专家（mixture-of-experts）语言模型，无论是否配备 GPU：权重存储在磁盘上，每个 token 所需的专家从 NVMe SSD 流式加载，而频繁访问的部分则保留在内存中。一个拥有 800 亿参数的模型可以在配备 32 GB RAM 的笔记本电脑上运行并生成回答。

由 Maurizio "camauri" Cammalleri 设计与编写。

⚠️ 请先阅读此部分

这是一个实验项目，而非成熟产品。


阶段	早期开发。公共 API 和命令行接口随时可能变更且不予通知，每周甚至会有多次改动。模型文件是例外：发布在 Hugging Face 上的 `.jns` 文件（格式版本 2）将被 Janas-LLM 的所有后续版本兼容读取。
稳定性	未经验证。该引擎有意对机器施加高负载：它会用专家缓存填满空闲内存，并以 `O_DIRECT` 模式全速读取磁盘。如果机器的可用资源低于其预期，桌面环境可能会被迫使用交换空间（swap），导致运行缓慢或无响应。曾有一次使用 GPU 导致驱动程序重置，进而使整个桌面环境崩溃。
数据	它仅在 `~/.cache/janas` 中写入数据（存储关于你机器的学习信息，以及已读取的系统消息以避免重复读取），以及在你指定的位置存放转换后的模型。它不会修改所读取的模型文件。
硬件	在单台机器上开发和运行（详见下文）。在其他任何硬件上均未测试：速度可能更慢，可能拒绝加载模型，或出现异常行为。

如果出现任何问题，按 Ctrl-C 可停止回复，按 Ctrl-D 可退出聊天；使用 --cache <GiB> 参数可对其占用的内存设置硬性上限，而设置环境变量 JANAS_GPU=0 则可完全禁用 GPU 加速。

原生开发环境

本仓库中的所有代码均在以下环境中编写和测量：

Linux Debian 13 (trixie)，x86-64 架构，内核 6.12.107；GPU 驱动 Mesa 26.1.6 (Vulkan)；使用 GCC 14.2 构建
Intel Core Ultra 9 185H（6 个性能核，8 个能效核，2 个低功耗核；支持 AVX2, FMA, F16C, AVX-VNNI；集成 Arc GPU）
32 GB DDR5 内存
1 TB NVMe SSD（读取速度约 5.7 GB/s）

Windows 版本在同一台笔记本电脑的 Windows 11（Build 26300）环境下运行，使用 Intel 官方图形驱动程序：其测试在该环境下通过，具体性能表现请参见上文 “在 Windows 上运行” 部分。

引擎的所有决策均基于其实时测量结果，因此在不同机器上会做出不同的选择——这部分设计旨在具备跨平台适应性。尚未尝试过的场景包括：其他 CPU（特别是缺乏 AVX-VNNI 指令集的处理器，或 AMD 处理器）、独立显卡、低速磁盘，以及不同大小的内存配置。如果你在其他硬件上运行，janas-bench 生成的报告是你所能反馈的最有价值的信息（请参阅帮助其在更多硬件上运行）。

（注：更多技术实现细节与完整 API 文档请查阅原项目 README）