本地 .gguf 与 config.json 二进制文件头解析器（零上传）
直接从磁盘拖入任意 4 GB 至 200 GB 的 .gguf 权重文件或 Transformer config.json。VRAMLab 仅通过 DataView 在本地浏览器内存中切片读取前 16 MiB，不到 5ms 即可提取精确层数、GQA/MLA 维度、上下文上限与量化类型——全程 0 字节离开您的设备。
选择本地模型文件或加载已核验示例文件头
通过 File.slice() 仅读取 0..16,777,216 字节——上百 GB 的 .gguf 文件也能瞬间打开，无需将完整权重拷贝进内存。
或立即使用合成二进制文件头进行测试：
已在本地浏览器内存中解析 Qwen3-32B-Q4_K_M.gguf（GGUF v3）— 上传 0 字节。
提取的架构与量化元数据
Qwen3-32B-Instruct · MOSTLY_Q4_K_M| 文件头字段 | 提取数值 |
|---|---|
general.architecture |
qwen3 |
general.name |
Qwen3-32B-Instruct |
gguf.version |
v3 |
gguf.tensor_count |
707 |
gguf.quantization |
MOSTLY_Q4_K_M |
qwen3.block_count |
64 |
qwen3.embedding_length |
5120 |
qwen3.attention.head_count |
64 |
qwen3.attention.head_count_kv |
8 |
qwen3.context_length |
40960 |
基于提取文件头的即时显存预估
零上传 GGUF v2/v3 二进制解析的工作原理
GGUF 二进制容器将全部模型元数据紧接在 4 字节 ASCII 魔数（"GGUF" / 0x46554747）、32 位版本号、64 位张量计数和 64 位 KV 键值对计数之后存放，远在数十 GB 的量化张量数据块之前。借助浏览器 File API 仅切片前 16 MiB，VRAMLab 无需读取张量负载即可解码 UTF-8 键名、强类型标量与分词器词表长度。
对于以 safetensors 分片发布的 FP16、BF16、FP8 或 AWQ 检查点，只需拖入配套的 config.json，即可提取 hidden_size、num_hidden_layers、num_key_value_heads、kv_lora_rank、n_routed_experts 与 sliding_window_pattern，在下载数百 GB 权重前先行完成 vLLM 或 SGLang 集群容量选型。
VRAMLab 从经过核验的 Transformer 几何结构出发评估每款模型，显式区分多头注意力（MHA）、分组查询注意力（GQA）、DeepSeek 多头潜在注意力（MLA）以及局部/全局混合滑动窗口层，使容量规划与 vLLM、SGLang、Ollama 和 llama.cpp 的真实显存分配完全一致。