欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

本地大模型硬件需求計(jì)算器:從顯存估算到量化選型

本地大模型硬件需求計(jì)算器:從顯存估算到量化選型 很多開發(fā)者在剛接觸本地大模型時(shí)第一個(gè)困擾往往不是“模型怎么調(diào)”而是“我這臺(tái)電腦到底能不能跑起來”。去社區(qū)問了一圈有人用 8GB 顯存跑 7B 模型很流暢有人說 16GB 顯存加載就 OOM還有人拿著 4070 問能不能微調(diào) 70B。你會(huì)發(fā)現(xiàn)網(wǎng)上關(guān)于本地 LLM 硬件需求的討論幾乎都是零散的個(gè)人經(jīng)驗(yàn)缺少一個(gè)從參數(shù)和公式出發(fā)的量化計(jì)算工具。本文就圍繞“Hardware requirement calculator for local LLMs”這個(gè)主題完整講解本地大模型硬件需求的計(jì)算邏輯并帶你從零實(shí)現(xiàn)一個(gè)可用的硬件需求計(jì)算器。文章會(huì)覆蓋精度格式FP32、FP16、BF16、INT8、INT4對(duì)顯存的影響、KV Cache 的估算方法、推理與訓(xùn)練兩種場(chǎng)景的差異、代碼實(shí)現(xiàn)步驟以及最終如何用計(jì)算結(jié)果指導(dǎo)選卡和配置。適合剛?cè)腴T大模型本地部署的開發(fā)者也適合需要做硬件選型評(píng)估的技術(shù)負(fù)責(zé)人。1. 為什么本地 LLM 需要硬件需求計(jì)算器先說一個(gè)常見的現(xiàn)象很多人在決定下載模型之前完全靠“別人說能跑”來做判斷。比如有人看到“7B 模型 Q4 量化只要 4GB 顯存”于是拿著 6GB 顯存的舊顯卡去下載結(jié)果加載到一半進(jìn)程被殺或者生成速度慘不忍睹。還有人在 CPU 上硬跑 70B 模型每個(gè) Token 等好幾秒以為是代碼寫錯(cuò)了其實(shí)是硬件帶寬遠(yuǎn)不達(dá)標(biāo)。要避免這種問題最好在下載模型之前就手算出一個(gè)“下限值”這個(gè)模型至少需要多少顯存、多少內(nèi)存推理速度大概會(huì)落在什么區(qū)間。硬件需求計(jì)算器的價(jià)值就在這里。它本質(zhì)上是一個(gè)基于模型參數(shù)、精度格式、上下文長(zhǎng)度、批處理大小等輸入項(xiàng)輸出顯存需求、內(nèi)存需求、推薦硬件檔位的工具。它能幫你解決三個(gè)問題我的顯卡夠不夠跑這個(gè)模型如果不夠量化到 INT4 之后夠不夠如果只是跑推理和做微調(diào)相比硬件差距有多大另外本地 LLM 部署并不是簡(jiǎn)單地“模型文件多大就要多少顯存”。模型加載后顯存里除了權(quán)重還有 KV Cache、激活值、CUDA Context 等一系列額外開銷。不考慮這些算出來的結(jié)果和實(shí)際情況會(huì)有很大偏差。2. 本地 LLM 硬件需求的基礎(chǔ)概念要理解計(jì)算器先要把幾個(gè)核心概念弄清楚。這一節(jié)的內(nèi)容會(huì)比較基礎(chǔ)但它們是后面所有估算公式的根基。2.1 模型參數(shù)量Parameters模型參數(shù)量是衡量 LLM 規(guī)模最直接的指標(biāo)。我們說“7B 模型”就是指模型有大約 70 億個(gè)參數(shù)。參數(shù)量直接決定了兩件事模型的學(xué)習(xí)能力和表達(dá)能力模型文件的大小和運(yùn)行時(shí)占用資源。常見模型規(guī)模對(duì)應(yīng)的參數(shù)數(shù)量如下模型規(guī)模參數(shù)量7B約 70 億13B約 130 億33B約 330 億70B約 700 億需要說明的是不同模型架構(gòu)在相同參數(shù)量下實(shí)際結(jié)構(gòu)會(huì)有差異比如 LLaMA 和 Mistral 層數(shù)、頭數(shù)都不同。但作為粗略估算參數(shù)量是最通用的起點(diǎn)。2.2 精度格式FP32、FP16、BF16、INT8、INT4同樣一個(gè)模型參數(shù)用多少位來存儲(chǔ)直接決定模型體積和顯存占用。大模型領(lǐng)域最常見的精度格式有FP3232 位浮點(diǎn)每個(gè)參數(shù)占 4 個(gè)字節(jié)。精度最高范圍最廣但顯存占用也最大?;旧蠜]有人在推理時(shí)用純 FP32 跑大模型更多是在訓(xùn)練時(shí)作為 Master Weight 存在。FP1616 位浮點(diǎn)每個(gè)參數(shù)占 2 個(gè)字節(jié)。精度比 FP32 低但因?yàn)轱@存減半是早期大模型推理的主流格式。它在數(shù)值范圍上有限制|x| 超過 65504 會(huì)溢出不過對(duì)推理影響通常不大。BF16BFloat1616 位浮點(diǎn)每個(gè)參數(shù)同樣占 2 個(gè)字節(jié)。BF16 的動(dòng)態(tài)范圍和 FP32 幾乎一樣犧牲了尾數(shù)精度但減少了溢出問題?,F(xiàn)在主流訓(xùn)練框架都推薦用 BF16因?yàn)榇竽P吞荻热菀壮霈F(xiàn)尺度差異。INT88 位整數(shù)量化每個(gè)參數(shù)占 1 個(gè)字節(jié)。把浮點(diǎn)權(quán)重縮放到整數(shù)范圍來存儲(chǔ)和計(jì)算顯存直接再減一半。推理時(shí)常用 Weight-Only 量化效果在小模型上會(huì)有所損失但在大模型上表現(xiàn)相當(dāng)好。INT44 位整數(shù)量化每個(gè)參數(shù)理論上只占 0.5 個(gè)字節(jié)。這是社區(qū)最常用的格式比如 GGUF Q4_K_M、GPTQ INT4 等。顯存占用極低但量化誤差相對(duì)更大。對(duì) 7B 模型來說INT4 量化后權(quán)重文件只有 3.5GB 左右很多 4GB 獨(dú)顯的機(jī)器也能跑起來。為了直觀我把每個(gè)參數(shù)占用的空間整理成表精度每參數(shù)字節(jié)數(shù)7B 模型權(quán)重大小FP324約 28 GBFP16 / BF162約 14 GBINT81約 7 GBINT40.5約 3.5 GB這就是為什么同一個(gè)模型官方通常建議 28GB 顯存但量化到 INT4 只要 4GB 左右就能跑。2.3 KV Cache 與推理開銷很多人只算了權(quán)重顯存忽略了一個(gè)重要部分——KV Cache。在大模型推理時(shí)每生成一個(gè) Token都要把當(dāng)前的 Key 和 Value 緩存下來供后續(xù) Attention 計(jì)算使用。這部分的顯存占用和輸入輸出長(zhǎng)度成正比也和模型層數(shù)、頭數(shù)、維度有關(guān)。粗略估算公式KV_Cache_Size 2 × num_layers × num_kv_heads × head_dim × seq_len × batch_size × bytes_per_element不過在實(shí)際工程中我們可以用一個(gè)更簡(jiǎn)單的經(jīng)驗(yàn)值來估算。通常 KV Cache 大約占模型權(quán)重的 10% 到 30%在長(zhǎng)上下文場(chǎng)景下甚至更高。這也是為什么有人短上下文跑得好好的把 max_length 從 4096 調(diào)到 8192 之后直接 OOM。除了權(quán)重和 KV Cache顯存還需要容納CUDA Context大約 300MB 到 1GB 不等激活值A(chǔ)ctivation和臨時(shí)計(jì)算緩沖輸入 Token 的 Embedding推理框架的額外固定開銷。所以安全的做法是把權(quán)重顯存和 KV Cache 算完之后再額外預(yù)留 1GB 到 2GB 作為緩沖。這也是社區(qū)很多人“按理論算剛好夠?qū)嶋H一跑就爆”的原因——緩沖不夠。2.4 推理與訓(xùn)練的區(qū)別同一塊顯卡跑推理和做微調(diào)完全是兩個(gè)世界。推理只需要保存模型權(quán)重和中間激活梯度不需要保留。所以顯存需求約等于“權(quán)重 KV Cache 額外開銷”。微調(diào)則還要保存梯度梯度和參數(shù)同尺寸、優(yōu)化器狀態(tài)不同優(yōu)化器大小不同、以及更長(zhǎng)的激活鏈。例如用 Adam 優(yōu)化器訓(xùn)練一個(gè) FP16 模型僅優(yōu)化器狀態(tài)就要額外占用 8 字節(jié)/參數(shù)Momentum 和 Variance 各 4 字節(jié)加上梯度的 2 字節(jié)/參數(shù)訓(xùn)練時(shí)單個(gè)參數(shù)的顯存開銷遠(yuǎn)大于推理。近似計(jì)算訓(xùn)練顯存 權(quán)重(2字節(jié)) 梯度(2字節(jié)) Adam狀態(tài)(8字節(jié)) 激活值等 ≈ 每參數(shù) 12 字節(jié)以上也就是說FP16 訓(xùn)練一個(gè) 7B 模型光是權(quán)重、梯度和優(yōu)化器狀態(tài)就需要 84GB 左右單靠一張 24GB 顯卡根本裝不下。這也是為什么 LoRA、QLoRA 這類參數(shù)高效微調(diào)會(huì)如此流行——它們把可訓(xùn)練參數(shù)量大幅壓縮從而把訓(xùn)練顯存需求降到普通消費(fèi)級(jí)顯卡能接受的范圍。3. 硬件需求計(jì)算器的核心計(jì)算邏輯理解了上面的概念我們就可以來設(shè)計(jì)計(jì)算器了。核心就是一組公式根據(jù)用戶輸入的模型參數(shù)、精度和運(yùn)行場(chǎng)景算出顯存和內(nèi)存需求。3.1 權(quán)重顯存計(jì)算公式非常簡(jiǎn)單weight_memory num_params × bytes_per_param例如 7B 模型FP16 精度7,000,000,000 × 2 14,000,000,000 字節(jié) ≈ 14 GBINT4 精度按 0.5 字節(jié)7,000,000,000 × 0.5 3,500,000,000 字節(jié) ≈ 3.5 GB這個(gè)部分是最確定的幾乎不會(huì)因?yàn)檫\(yùn)行環(huán)境不同而變化。3.2 KV Cache 估算嚴(yán)格計(jì)算 KV Cache 需要知道模型具體架構(gòu)但作為通用工具我們可以用模型參數(shù)量的比例來粗估。這里我用一個(gè)經(jīng)驗(yàn)系數(shù)kv_cache_factor取值范圍通常在 0.1 到 0.3 之間默認(rèn) 0.15。kv_cache_memory weight_memory × kv_cache_factor如果你想更精確一點(diǎn)可以讓用戶輸入層數(shù)、KV Heads、Head Dim 和序列長(zhǎng)度用公式直接計(jì)算。下面計(jì)算器代碼里我會(huì)同時(shí)提供兩種模式快速估算和精細(xì)估算。3.3 推理場(chǎng)景總結(jié)推理所需的總顯存total_vram weight_memory kv_cache_memory overhead其中 overhead 建議至少 1GB如果是 Windows 環(huán)境或者不用 WSL 的話可以再放大一些因?yàn)?Windows 的顯存管理策略不同驅(qū)動(dòng)也會(huì)占一部分顯存。3.4 訓(xùn)練場(chǎng)景適配 LoRA/QLoRA 時(shí)可訓(xùn)練參數(shù)量會(huì)大幅減少。QLoRA 通常只需對(duì)低秩矩陣做梯度計(jì)算所以我們可以用一個(gè)參數(shù)trainable_params_ratio來表示可訓(xùn)練參數(shù)占全量的比例。training_memory weight_memory weight_memory × (gradient_ratio optimizer_bytes_per_param / bytes_per_element) activated_memory不過這種精確建模會(huì)很復(fù)雜且不同框架差異大。計(jì)算器里我建議用簡(jiǎn)化模型直接輸出“推理所需顯存”然后按經(jīng)驗(yàn)系數(shù)顯示“全參數(shù)微調(diào)所需顯存約是推理的 5-8 倍”作為警告。對(duì)多數(shù)讀者來說這個(gè)信息量已經(jīng)足夠。3.5 內(nèi)存帶寬與生成速度除了顯存容量還有一個(gè)容易被忽視的硬件參數(shù)——內(nèi)存帶寬。大模型推理屬于“訪存密集型”任務(wù)尤其在低并發(fā)場(chǎng)景下GPU 每生成一個(gè) Token都要把整個(gè)模型權(quán)重從顯存讀一遍。所以理論最大生成速度約等于tokens_per_sec ≈ memory_bandwidth / model_size_in_bytes舉例一塊 4090顯存帶寬約 1008 GB/sFP16 的 7B 模型權(quán)重 14GB理論速度約為1008 / 14 ≈ 72 tokens/s如果是 INT4 量化權(quán)重 3.5GB理論上限約 288 tokens/s不過實(shí)際還會(huì)受計(jì)算單元限制和其他開銷影響但方向是對(duì)的。所以計(jì)算器也可以輸出一個(gè)預(yù)估生成速度區(qū)間對(duì)用戶體驗(yàn)有很大參考價(jià)值。4. 完整實(shí)戰(zhàn)從零實(shí)現(xiàn)一個(gè) LLM 硬件需求計(jì)算器下面進(jìn)入實(shí)戰(zhàn)環(huán)節(jié)。我會(huì)實(shí)現(xiàn)兩個(gè)版本一個(gè) Python 命令行版本適合快速腳本調(diào)用和二次開發(fā)一個(gè) HTML JavaScript 網(wǎng)頁(yè)版本適合直接雙擊打開使用方便沒有 Python 環(huán)境的同學(xué)。4.1 創(chuàng)建項(xiàng)目結(jié)構(gòu)llm-hw-calculator/ ├── calculator.py ├── index.html └── README.md4.2 Python 命令行版本先實(shí)現(xiàn)核心邏輯。打開calculator.py寫入以下代碼# 文件路徑llm-hw-calculator/calculator.py def bytes_per_param(precision: str) - float: 返回不同精度下每個(gè)參數(shù)占用的字節(jié)數(shù) mapping { fp32: 4.0, fp16: 2.0, bf16: 2.0, int8: 1.0, int4: 0.5, } if precision.lower() not in mapping: raise ValueError(f不支持的精度類型: {precision}可選: {list(mapping.keys())}) return mapping[precision.lower()] def estimate_weight_memory(num_params_billion: float, precision: str) - float: 估算模型權(quán)重的顯存占用單位為 GB num_params num_params_billion * 1e9 return num_params * bytes_per_param(precision) / (1024 ** 3) def estimate_kv_cache_memory(weight_memory_gb: float, seq_len: int, config: dict None) - float: 估算 KV Cache 顯存占用。 如果提供了模型結(jié)構(gòu)參數(shù)則用精細(xì)公式 否則使用經(jīng)驗(yàn)比例粗估。 if config: num_layers config[num_layers] num_kv_heads config[num_kv_heads] head_dim config[head_dim] batch_size config.get(batch_size, 1) # 2 表示 K 和 V 兩份緩存 kv_bytes 2 * num_layers * num_kv_heads * head_dim * seq_len * batch_size * 2.0 return kv_bytes / (1024 ** 3) # 經(jīng)驗(yàn)值KV Cache 約為權(quán)重的 10%~30%這里取 15% return weight_memory_gb * 0.15 def estimate_inference_vram(num_params_billion: float, precision: str, seq_len: int 4096, model_config: dict None) - dict: 估算推理所需顯存和生成速度相關(guān)指標(biāo) weight_mem estimate_weight_memory(num_params_billion, precision) kv_mem estimate_kv_cache_memory(weight_mem, seq_len, model_config) overhead 1.0 # CUDA Context 激活值等固定開銷 total_vram weight_mem kv_mem overhead return { weight_memory_gb: round(weight_mem, 2), kv_cache_memory_gb: round(kv_mem, 2), estimated_overhead_gb: overhead, total_vram_gb: round(total_vram, 2), } def estimate_training_vram(inference_result: dict) - dict: 全參數(shù)微調(diào)粗略估算通常是推理的 5-8 倍 factor_min 5 factor_max 8 return { training_vram_min_gb: round(inference_result[total_vram_gb] * factor_min, 2), training_vram_max_gb: round(inference_result[total_vram_gb] * factor_max, 2), note: 全參數(shù)微調(diào)需要保存梯度與優(yōu)化器狀態(tài)顯存通常是推理的 5-8 倍使用 LoRA/QLoRA 可大幅降低。 } def estimate_generation_speed(bandwidth_gb_per_s: float, num_params_billion: float, precision: str) - float: 理論最大生成速度tokens/s只考慮權(quán)重復(fù)讀耗時(shí) model_size_gb estimate_weight_memory(num_params_billion, precision) if model_size_gb 0: return 0.0 return round(bandwidth_gb_per_s / model_size_gb, 2) if __name__ __main__: # 例子7B 模型INT4 量化上下文 4096在 4090 上推理 example_vram estimate_inference_vram( num_params_billion7.0, precisionint4, seq_len4096 ) print( 推理顯存估算 ) for key, value in example_vram.items(): print(f{key}: {value} GB) print(\n 微調(diào)顯存估算 ) training_info estimate_training_vram(example_vram) for key, value in training_info.items(): print(f{key}: {value}) print(\n 生成速度粗算RTX 4090 約 1008 GB/s ) speed estimate_generation_speed( bandwidth_gb_per_s1008, num_params_billion7.0, precisionint4 ) print(f理論最大生成速度約: {speed} tokens/s)這段代碼的核心就是幾個(gè)純函數(shù)輸入輸出都很清晰。逐個(gè)解釋bytes_per_param精度映射表INT4 返回 0.5 字節(jié)。estimate_weight_memory權(quán)重顯存。estimate_kv_cache_memory優(yōu)先用精細(xì)公式缺少架構(gòu)參數(shù)時(shí)退回經(jīng)驗(yàn)比例。estimate_inference_vram匯總。overhead 固定 1GB這個(gè)值你可以根據(jù)自己的環(huán)境調(diào)整Windows 下建議 1.5GB。estimate_training_vram給出全參數(shù)微調(diào)的粗估區(qū)間。estimate_generation_speed理論最大速度強(qiáng)調(diào)“理論”因?yàn)閷?shí)際要打折扣。運(yùn)行結(jié)果類似 推理顯存估算 weight_memory_gb: 3.5 GB kv_cache_memory_gb: 0.52 GB estimated_overhead_gb: 1 GB total_vram_gb: 5.02 GB 微調(diào)顯存估算 training_vram_min_gb: 25.12 GB training_vram_max_gb: 40.19 GB note: 全參數(shù)微調(diào)需要保存梯度與優(yōu)化器狀態(tài)顯存通常是推理的 5-8 倍使用 LoRA/QLoRA 可大幅降低。 生成速度粗算RTX 4090 約 1008 GB/s 理論最大生成速度約: 288.0 tokens/s如果你用 FP16 跑同一個(gè) 7B 模型weight_memory_gb: 14.0 GB kv_cache_memory_gb: 2.1 GB estimated_overhead_gb: 1 GB total_vram_gb: 17.1 GB同樣是 7B 模型FP16 和 INT4 的總顯存差了 12GB 左右。這就是量化對(duì)本地部署的意義。4.3 支持模型結(jié)構(gòu)參數(shù)的精細(xì)模式上面的estimate_kv_cache_memory已經(jīng)預(yù)留了config參數(shù)。如果你想在計(jì)算器中嵌入某個(gè)具體模型的結(jié)構(gòu)信息可以這樣用。這里以 LLaMA-7B 為例llama_7b_config { num_layers: 32, num_kv_heads: 32, head_dim: 128, batch_size: 1, } # 在 seq_len4096 時(shí)KV Cache 約為 1.0 GB kv_cache estimate_kv_cache_memory( weight_memory_gb14.0, seq_len4096, configllama_7b_config ) print(f精細(xì)模式 KV Cache: {kv_cache:.2f} GB)實(shí)際上不同模型架構(gòu)的 KV Cache 計(jì)算方式逐步演進(jìn)。像 GQAGrouped Query Attention在 LLaMA 2 70B 中出現(xiàn)后KV Head 數(shù)量遠(yuǎn)小于 Query Head 數(shù)量KV Cache 會(huì)更小。這也是為什么部分大模型在長(zhǎng)上下文場(chǎng)景下尤其依賴 GQA。你的計(jì)算器如果有模型庫(kù)把這些參數(shù)配置成 JSON 是不錯(cuò)的選擇。4.4 HTML 網(wǎng)頁(yè)版本為了讓沒有 Python 環(huán)境的同學(xué)也能用我把同樣的邏輯做成一個(gè)純前端頁(yè)面。打開index.html寫入以下代碼!DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title本地 LLM 硬件需求計(jì)算器/title style body { font-family: -apple-system, BlinkMacSystemFont, Segoe UI, sans-serif; max-width: 720px; margin: 0 auto; padding: 20px; background: #f7f8fa; color: #333; } .card { background: #fff; border-radius: 12px; padding: 24px; margin-bottom: 16px; box-shadow: 0 2px 8px rgba(0, 0, 0, 0.06); } h1 { font-size: 1.5rem; } label { display: block; font-weight: 600; margin-bottom: 6px; } select, input { width: 100%; padding: 10px; margin-bottom: 16px; border: 1px solid #ddd; border-radius: 8px; font-size: 1rem; box-sizing: border-box; } button { background: #1677ff; color: #fff; border: none; padding: 12px 24px; border-radius: 8px; font-size: 1.05rem; cursor: pointer; } button:hover { background: #0958d9; } .result-item { display: flex; justify-content: space-between; padding: 8px 0; border-bottom: 1px solid #f0f0f0; } .result-item:last-child { border-bottom: none; } .warn { background: #fffbe6; border: 1px solid #ffe58f; border-radius: 8px; padding: 12px; margin-top: 12px; font-size: 0.9rem; } /style /head body div classcard h1本地 LLM 硬件需求計(jì)算器/h1 p根據(jù)模型參數(shù)、精度、上下文長(zhǎng)度估算推理所需顯存、微調(diào)顯存范圍和理論生成速度。/p /div div classcard label formodelSize模型參數(shù)量B/label input typenumber idmodelSize value7 step0.1 min0.1 label forprecision精度格式/label select idprecision option valuefp32FP324 字節(jié)/參數(shù)/option option valuefp16 selectedFP162 字節(jié)/參數(shù)/option option valuebf16BF162 字節(jié)/參數(shù)/option option valueint8INT81 字節(jié)/參數(shù)/option option valueint4INT40.5 字節(jié)/參數(shù)/option /select label forseqLen上下文長(zhǎng)度Tokens/label input typenumber idseqLen value4096 step512 min512 label forbandwidthGPU 顯存帶寬GB/s/label input typenumber idbandwidth value1008 step50 min50 button onclickcalculate()計(jì)算硬件需求/button /div div classcard idresult styledisplay:none; h2推理顯存估算/h2 div idinferenceResult/div h2微調(diào)顯存估算/h2 div idtrainingResult/div h2理論生成速度/h2 div idspeedResult/div div classwarn idwarning/div /div script const PRECISION_BYTES { fp32: 4.0, fp16: 2.0, bf16: 2.0, int8: 1.0, int4: 0.5, }; function calculate() { const modelSizeB parseFloat(document.getElementById(modelSize).value); const precision document.getElementById(precision).value; const seqLen parseInt(document.getElementById(seqLen).value); const bandwidth parseFloat(document.getElementById(bandwidth).value); if (!modelSizeB || modelSizeB 0) { alert(請(qǐng)?zhí)顚懩P蛥?shù)量); return; } const bytesPerParam PRECISION_BYTES[precision]; const numParams modelSizeB * 1e9; const weightBytes numParams * bytesPerParam; const weightGB weightBytes / (1024 ** 3); // KV Cache 粗估權(quán)重 15% const kvGB weightGB * 0.15; // 固定開銷 const overheadGB 1.0; const totalVRAM weightGB kvGB overheadGB; const trainMin totalVRAM * 5; const trainMax totalVRAM * 8; // 理論速度 const theoreticalSpeed bandwidth / weightGB; document.getElementById(inferenceResult).innerHTML div classresult-itemspan模型權(quán)重/spanspan${weightGB.toFixed(2)} GB/span/div div classresult-itemspanKV Cache估算/spanspan${kvGB.toFixed(2)} GB/span/div div classresult-itemspan固定開銷CUDA Context 等/spanspan${overheadGB.toFixed(2)} GB/span/div div classresult-item stylefont-weight:700;span推薦顯存下限/spanspan${totalVRAM.toFixed(2)} GB/span/div ; document.getElementById(trainingResult).innerHTML div classresult-itemspan全參數(shù)微調(diào)估算/spanspan${trainMin.toFixed(2)} ~ ${trainMax.toFixed(2)} GB/span/div ; document.getElementById(speedResult).innerHTML div classresult-itemspan理論最大生成速度/spanspan${theoreticalSpeed.toFixed(2)} tokens/s/span/div div classresult-itemspan實(shí)際體驗(yàn)參考/spanspan約 ${(theoreticalSpeed * 0.4).toFixed(2)} ~ ${(theoreticalSpeed * 0.7).toFixed(2)} tokens/s/span/div ; let warnText ; if (totalVRAM 24) { warnText 推薦顯存超過 24GB常見消費(fèi)級(jí)顯卡較難滿足。建議嘗試更大量化如 INT4或選擇更小模型也可以考慮云 GPU 實(shí)例。; } else if (totalVRAM 12) { warnText 推薦顯存超過 12GB建議確認(rèn)你的顯卡顯存是否足夠。若不足可以改用 INT4/INT8 量化并縮短上下文長(zhǎng)度。; } else { warnText 當(dāng)前配置在主流 8GB~24GB 顯卡上都有機(jī)會(huì)運(yùn)行。具體流暢度還要看內(nèi)存帶寬和系統(tǒng)顯存共享策略。; } document.getElementById(warning).innerText warnText; document.getElementById(result).style.display block; } /script /body /html這個(gè)頁(yè)面就是一個(gè)完整的計(jì)算器。用瀏覽器打開后輸入模型參數(shù)量選擇精度格式設(shè)置上下文長(zhǎng)度填顯卡顯存帶寬點(diǎn)擊按鈕就能得到結(jié)果。頁(yè)面里我另外加了一個(gè)“實(shí)際體驗(yàn)參考”取理論速度的 40% 到 70%這是考慮到 Attention 計(jì)算、采樣、接口傳輸?shù)拈_銷。這個(gè)比例不是精確值但比直接報(bào)理論速度更貼近真實(shí)體驗(yàn)。4.5 運(yùn)行與驗(yàn)證Python 版本運(yùn)行方式cd llm-hw-calculator python calculator.py如果看到類似下面的輸出說明代碼運(yùn)行正常 推理顯存估算 weight_memory_gb: 3.5 GB kv_cache_memory_gb: 0.52 GB estimated_overhead_gb: 1 GB total_vram_gb: 5.02 GB 微調(diào)顯存估算 training_vram_min_gb: 25.12 GB training_vram_max_gb: 40.19 GB note: 全參數(shù)微調(diào)需要保存梯度與優(yōu)化器狀態(tài)顯存通常是推理的 5-8 倍使用 LoRA/QLoRA 可大幅降低。 生成速度粗算RTX 4090 約 1008 GB/s 理論最大生成速度約: 288.0 tokens/s網(wǎng)頁(yè)版本直接用瀏覽器打開index.html即可不需要起服務(wù)也不需要聯(lián)網(wǎng)。4.6 結(jié)果解讀建議拿到計(jì)算結(jié)果后不要直接拿“推薦顯存下限”去對(duì)標(biāo)顯卡。我的建議是如果推薦顯存略小于你的顯卡顯存比如差了 1GB可以跑但盡量縮短上下文長(zhǎng)度同時(shí)關(guān)掉其他占用顯存的應(yīng)用。如果推薦顯存和顯卡顯存差不多建議使用 GGUF 的 k-quant 系列量化或調(diào)整 KV Cache 策略。如果要長(zhǎng)時(shí)間運(yùn)行服務(wù)要預(yù)留比計(jì)算值多 2GB 左右的余量因?yàn)橄到y(tǒng)和服務(wù)端框架會(huì)隨時(shí)間產(chǎn)生一些顯存碎片。5. 常見問題與排查思路開發(fā)和實(shí)際部署過程中很多人會(huì)遇到類似的問題。我整理成了一份表格方便你查閱。問題現(xiàn)象常見原因解決思路加載模型時(shí)直接 OOM顯存需求超過顯卡容量或者上下文長(zhǎng)度設(shè)置過大計(jì)算器先算一次改用 INT4/INT8 量化縮短上下文長(zhǎng)度加載成功但生成速度極慢內(nèi)存帶寬不足或權(quán)重未完全載入顯存而使用共享內(nèi)存檢查nvidia-smi確認(rèn)模型確實(shí)在顯存降低 KV Cache 或分批量化Windows 下 OOM同樣顯存 Linux 卻可以Windows 顯存管理策略和驅(qū)動(dòng)占用量不同適當(dāng)調(diào)大 overhead 值或使用 WSL2 運(yùn)行短上下文正常長(zhǎng)上下文卡死KV Cache 隨序列長(zhǎng)度線性增長(zhǎng)導(dǎo)致顯存溢出在 Framework 層面限制 max_length或使用支持 PagedAttention 的推理框架計(jì)算器說夠?qū)嶋H跑起來差一點(diǎn)忘記算 CUDA Context、驅(qū)動(dòng)占用、框架緩沖把 overhead 從 1GB 調(diào)到 1.5GB 再到 2GB 重新估算換量化格式后速度沒有明顯提升模型已經(jīng)變小但 Attention 計(jì)算占了主要耗時(shí)檢查是否滿足帶寬受限假設(shè)短序列下影響可能不大用 CPU 推理速度慢到不可用CPU 內(nèi)存帶寬遠(yuǎn)低于 GPU優(yōu)先用量化模型核數(shù)多少不是決定推理速度的唯一因素內(nèi)存帶寬更關(guān)鍵幾個(gè)排查步驟值得展開說。5.1 驗(yàn)證顯存占用在模型加載后打開另一個(gè)終端運(yùn)行nvidia-smi觀察四塊區(qū)域GPU 顯存 Used進(jìn)程列表中 Python / llama-server 進(jìn)程的顯存Volatile GPU-Util如果是多卡確認(rèn)模型是否只用了其中一張。如果nvidia-smi顯示的 Used 顯存和計(jì)算器估算差別很大通常是因?yàn)槟阌玫哪P筒皇怯?jì)算器對(duì)應(yīng)精度的版本推理框架有額外的顯存優(yōu)化如 KV Cache 重用或者上下文長(zhǎng)度設(shè)置和設(shè)備上的max_seq_len不一致。5.2 是否真的把所有模型權(quán)存放進(jìn)了顯存有些推理框架在顯存不足時(shí)會(huì)自動(dòng)把部分權(quán)重放到內(nèi)存。從性能角度看這種模式雖然在短時(shí)間能運(yùn)行但每層之間都有 PCIe 或共享內(nèi)存的傳輸速度會(huì)嚴(yán)重退化。你可以用nvidia-smi看 CUDA Memory 的分配情況或者在日志里看框架是否打印出類似 “offload to CPU” 的信息模型文件是否被 mmap 映射到了內(nèi)存。如果確認(rèn)有 offload最直接的解決辦法是減小模型或用更高程度量化。5.3 訓(xùn)練顯存不夠時(shí)怎么辦如果你做的不是推理而是微調(diào)顯存不夠時(shí)優(yōu)先考慮LoRA只訓(xùn)練注入的低秩矩陣顯存開銷小很多QLoRA加載的模型先量化到 INT4再訓(xùn)練低秩適配器梯度累積不用一次性把 batch 都放進(jìn)顯存混合精度BF16 或 FP16 訓(xùn)練減少一半顯存梯度檢查點(diǎn)用時(shí)間換空間。你會(huì)發(fā)現(xiàn)推理場(chǎng)景的“量化”在訓(xùn)練場(chǎng)景里同樣有效而且 QLoRA 是當(dāng)前社區(qū)最熱門的低成本全參微調(diào)替代方案。如果你的模型是 70B 級(jí)別QLoRA 配合兩張 24GB 顯卡是可行的但全參數(shù)微調(diào)則可能需要多塊 A100 或 H100。6. 最佳實(shí)踐與工程建議這一節(jié)是本文最有工程價(jià)值的部分建議結(jié)合自己的使用場(chǎng)景去對(duì)照。6.1 計(jì)算器參數(shù)本身要?jiǎng)討B(tài)調(diào)整不要死守默認(rèn)參數(shù)。比如KV Cache 經(jīng)驗(yàn)系數(shù) 0.15 只適合中等上下文2048~4096。如果上下文是 8192 或 16384系數(shù)應(yīng)上調(diào)到 0.25 甚至 0.35。overhead 1GB 是最小值。生產(chǎn)環(huán)境建議 2GBWindows 建議 1.5~2GB。帶寬不是唯一瓶頸。如果你用的是 4090權(quán)重訪存確實(shí)主導(dǎo)如果模型比較小如 1B 到 3B計(jì)算密集型操作可能成為瓶頸實(shí)際速度會(huì)比理論值低更多。6.2 量化精度選擇的原則選擇量化精度時(shí)不能一味“越低越好”。我的建議7B 模型如果顯存有 8GB優(yōu)先 Q8/Q6效果和 FP16 差距很小如果顯存只有 4GB才考慮 Q4。13B 模型Q5/Q6 是甜點(diǎn)量化效果和 FP16 接近顯存需求又在可控范圍內(nèi)。70B 級(jí)別Q4 是唯一可行選擇。但如果模型對(duì)輸出質(zhì)量要求高可以試試 Q4_K_M 和 Q4_K_S 之間的差異。生成長(zhǎng)文本、代碼任務(wù)時(shí)量化損失會(huì)更明顯尤其是復(fù)雜邏輯和多步推理場(chǎng)景。如果是簡(jiǎn)單問答、摘要INT4 的差距更容易接受。6.3 選型時(shí)不要只看顯存容量很多人在選顯卡時(shí)只看顯存忽略了帶寬和算力。其實(shí)對(duì)于本地 LLM 推理顯存帶寬的作用比很多人想象中大得多。以 7B FP16 模型為例顯卡顯存帶寬理論最大速度RTX 3060360 GB/s約 25 tokens/sRTX 4070504 GB/s約 36 tokens/sRTX 40901008 GB/s約 72 tokens/sM2 Ultra800 GB/s約 57 tokens/s注意這只是權(quán)重讀取的理論速度實(shí)際會(huì)更低但橫向?qū)Ρ仁强煽康膸挿独碚撍俣壬舷抟卜?。因此如果你的主要用途是本地大模型在滿足顯存容量的前提下盡量選帶寬更高的顯卡這一步比一味堆顯存更實(shí)際。6.4 生產(chǎn)環(huán)境建議如果你要把本地 LLM 做成服務(wù)給團(tuán)隊(duì)使用除了顯存計(jì)算還要注意并發(fā)請(qǐng)求數(shù)并發(fā)增加會(huì)擴(kuò)大 KV Cache 總和計(jì)算器里的 batch_size 要乘以并發(fā)數(shù)顯存泄漏長(zhǎng)時(shí)間運(yùn)行的服務(wù)建議定期監(jiān)控nvidia-smi --query-gpumemory.used --formatcsv發(fā)布前做壓力測(cè)試模型熱加載切換模型時(shí)如果顯存沒釋放可以先 kill 進(jìn)程再重新啟動(dòng)多用戶隔離盡量用支持 PagedAttention 的推理框架如 vLLM能更高效管理 KV Cache日志與監(jiān)控在容器或 systemd 服務(wù)中記錄顯存峰值方便后面調(diào)參。6.5 謹(jǐn)慎處理存儲(chǔ)與下載一個(gè)經(jīng)常被忽略的事實(shí)是模型文件下載后占用的是磁盤空間。如果做量化轉(zhuǎn)換中途還要存放未量化模型。例如 70B FP16 模型原始文件 140GB量化過程可能需要額外 140GB 臨時(shí)空間。所以磁盤最少要有模型文件大小的 2 倍空間再做量化轉(zhuǎn)換優(yōu)先使用 SSD因?yàn)榧虞d模型時(shí)有大量隨機(jī)讀取如果從 Hugging Face 下載提前配置好緩存路徑避免把系統(tǒng)盤占滿。6.6 用計(jì)算器輔助自動(dòng)決策如果你是運(yùn)維或平臺(tái)開發(fā)計(jì)算器邏輯還可以嵌入部署腳本。比如用戶選擇模型和精度后腳本自動(dòng)判斷當(dāng)前 GPU 可用顯存是否滿足不滿足就拒絕啟動(dòng)或者在啟動(dòng)時(shí)自動(dòng)切到更低的量化格式。這種做法雖然簡(jiǎn)單但能避免很多“部署后崩掉”的問題。7. 擴(kuò)展方向與下一步學(xué)習(xí)路線本文實(shí)現(xiàn)的計(jì)算器核心邏輯已經(jīng)能覆蓋絕大多數(shù)本地 LLM 硬件評(píng)估場(chǎng)景但還有幾個(gè)方向可以繼續(xù)完善。7.1 接入更多推理框架參數(shù)不同推理框架的顯存行為差異很大llama.cpp / GGUF有 mmap可以通過--n-gpu-layers控制多少層放到 GPUvLLM有 PagedAttentionKV Cache 可以動(dòng)態(tài)劃分Hugging Face Transformers默認(rèn)行為是把所有參數(shù)加載到指定設(shè)備ExLlamaV2專門針對(duì)量化模型優(yōu)化顯存占用和速度表現(xiàn)都更理想。你的計(jì)算器可以在輸出里增加“不同框架推薦參數(shù)”這是很有價(jià)值的信息。7.2 引入模型結(jié)構(gòu)數(shù)據(jù)庫(kù)如果計(jì)算器能內(nèi)置常見模型的架構(gòu)信息層數(shù)、頭數(shù)、維度、KV Head 數(shù)KV Cache 估算精度會(huì)大幅提升。這部分?jǐn)?shù)據(jù)可以直接從模型目錄的config.json里獲取。{ hidden_size: 4096, intermediate_size: 11008, num_attention_heads: 32, num_hidden_layers: 32, num_key_value_heads: 32 }讀取這些字段后代入精細(xì)公式KV Cache 計(jì)算就會(huì)比經(jīng)驗(yàn)比例準(zhǔn)確得多。7.3 從靜態(tài)計(jì)算到動(dòng)態(tài)監(jiān)控更進(jìn)一步計(jì)算器可以不做成“一次性估算工具”而是做成“部署后監(jiān)控面板”。部署模型時(shí)記錄初始顯存運(yùn)行過程實(shí)時(shí)記錄顯存峰值和 Token 速度再用這些數(shù)據(jù)回填優(yōu)化估算模型。這種思路適用于企業(yè)內(nèi)部的 LLM 服務(wù)運(yùn)維平臺(tái)能逐步建立更貼近自己的硬件選型基線。7.4 加上成本模型如果你考慮云 GPU 實(shí)例建議在計(jì)算器里同時(shí)引入“按需價(jià)格”維度。例如 24GB A10G 和 48GB A6000 的價(jià)格差、性能和顯存的關(guān)系做成簡(jiǎn)單的性價(jià)比指標(biāo)。這樣同一個(gè)模型你不僅知道需要什么硬件還能知道用哪類實(shí)例更劃算。8. 寫在最后本地 LLM 部署的“硬件夠不夠”這個(gè)問題其實(shí)完全可以量化不需要賭運(yùn)氣。通過精度、參數(shù)量、KV Cache 和帶寬這幾個(gè)核心參數(shù)你就能在下載模型前對(duì)顯存需求、生成速度和訓(xùn)練可行性心里有數(shù)。本文實(shí)現(xiàn)的硬件需求計(jì)算器無論是 Python 腳本還是網(wǎng)頁(yè)版本都保持了極低的依賴和較高的可移植性你可以直接復(fù)制到自己的項(xiàng)目中用。在實(shí)際使用中我建議你把“計(jì)算器估算值 實(shí)際 nvidia-smi 觀察值 生成速度實(shí)測(cè)值”三份數(shù)據(jù)放在一起對(duì)比。很快你就會(huì)發(fā)現(xiàn)顯存需求不再是個(gè)模糊概念而是能用公式推演、用監(jiān)控驗(yàn)證的工程指標(biāo)。如果你正在部署本地模型不妨先用這個(gè)計(jì)算器跑一遍再?zèng)Q定下載哪個(gè)量化版本。要知道在 8GB 顯卡上硬上 FP16 的 13B 模型和用 Q4 量化版跑流暢對(duì)話體驗(yàn)完全是兩個(gè)層次。選對(duì)硬件和精度可能比多花半個(gè)月調(diào)參更有效果。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
26uuu亚洲精品国产| 人妻五月天激情开心网| 亚洲欧洲中文日韩久久AV乱码| 、激情六月天| 五月天基地| 亚洲av免费在线| 第二色AⅤ| 超碰婷婷五月| 日韩另类| 99热在线精品观看| 久久九九热视频| 大香蕉五月天婷婷丁香91| 99热这里是精品| 一级二级香港秋霞欧美欧美秋霞| 大香蕉久热| 成人丁香五月| 在线观看av网站| 激情五月伊人婷婷| 在线不卡视频| 久久香蕉福利| 99er热精品视频| 99视频这里有精品| 一区二区三区视频| 色在线99| 九九这里有精品| 人人草成人视频| 色婷狠狠| 5Www色5夜| 99ri精品视频在线观看| 色久综合| 9久热在线视频精品| 综合激情五月综合激情五月激情1| 国产人人操| 婷婷五月天久久| 色婷婷激情| 好好日激情五月天| 天天插夜夜爽| 欧美色小说婷婷| 激情五月丁香五月| 青草青草久热这里只有精品| 日韩成人av在线| 丁香激情五月天| 97精品人人A片免费看| 日韩狠狠色| 色噜噜狠狠插综合| 九九热在这里只有精品| 五月丁香成人版| 97人人干人人操| 亚洲成人无码片| 97五月天| 人妻熟女一区二区AV| 婷婷九月丁香| 久久精品人妻| 日日夜夜狠狠| 碰97 久| www色婷婷| 激情五月婷婷视频一区二区三区| 五月婷婷啪啪综合网| m色激情网| sS丁香五月婷婷| 日韩啪| 91肏| 青草网在线观看| 26UUU欧美激情一区二区| 综合色色综合| 99色婷婷视频| 日韩一66精品| 性日本精品| 色婷婷色五月综合| 99热8| 五月天开心网| 丁香五月五月婷婷| 99视频这里有精品| 视频1区2区| 亚洲AV无码影院| 色欲婷婷五月天丁香| 天天操天天曰天天射| 97色精品视频 | 久久9久| 激情丁香九九五月综合网| 五月天色综合| 天天婷婷综合亚洲亚洲| 牛牛澡牛牛爽| 26.uuu丁香五月婷婷| 99网址在线看| sewuyuejiqingwang| 激情五月婷婷综合视频| 婷婷六月色开| AA片在线观看视频在线播放| 激情五月天福利| 性爱激情小说AV五月丁香花| 99在线观看精彩视频| 亚洲综合网激情五月天| 色婷婷五月天在线观看| 欧美性做爰大片免费看办公室| 高清资源站日A美A欧亚…| 丁香五月婷婷国产av| 免费超碰在线| 色色网站在线免费观看视频| 久久五月丁香| 亚洲亚洲人成综合网络| 久久久久久久97| 天天综合网、天天综合色| 久久婷婷成人视频| 五月 丁香 欧美| 天天操夜夜肏| 丁香九月婷婷| 青青草99re| 欧美激情中文字幕| 天天综合天天玩夜夜玩天天玩夜夜玩| www.五月丁香| 亚洲V国产V欧美V久久久久久| 中文字幕精品无码一区二区| 五月婷婷影| 99在线精品视频免费| 黄页大全十八禁| 亚洲热视频在线| 久操大香蕉| 激情5月婷婷| 亚洲天堂无码| 麻豆五月丁香婷婷| 天天操天天操天天操天天操天天操| 国产成人精品123区免费视频| 色噜噜狠狠狠狠色综合久欧美| 七七九色| 欧美3AaAa大片| 国产精品视频免费看| 久久精品爱爱| 五月色综合网| 黄色高清无码| 婷婷 激情 五月| 婷婷五月天干干| 国产综合色婷婷精品久久| 五月婷在线| 免费成人中文字幕| 久久九九在线视频| 九九人人操| 五月婷婷97| 影音先锋色色色资源色资源色| 婷婷瑟瑟五月天| 日日撸夜夜操| 精品久久99码| 色三级色三级| 啪啪操超碰| 九九视频精品在线免费| 天天舔天天爽| 超碰免费人人| 亚洲AV成人在线| 99热午夜精品| 亚洲另类婷婷五月综合| 精品久热| 久热综合| 婷婷伊人久久| 3p久久| 五月天婷婷伊人| 色色亚洲五月天| 99热九九在线| 天天爱天天狠天天透| 国产精品天天狠天天看| 婷婷开心青青草| 夜夜干 夜夜操| 亚洲成人综合网在线免费观看| 五月丁香综合网色欲| 91丨九色丨熟女丰满| 国内熟女黄色系列| 日日日天天干| 久久久久久久久久久久久久久久久精典| aaaaaa片| 依人大香蕉| 色婷操逼| 久久ab| 99碰视频| 九九色影院| 欧美超级视频97| 丁香六月无码| 五月婷天堂视频| 色五月成人网| 亚洲情欲久久| 五月婷婷视频| 91九色国产在线| 五月天婷婷乱论小说| 色色色色色色色五月| 99re这里有精品手机在线| 无码人妻精品一区二区蜜桃色欲| 色综合久久天天综合网| 丁香五月婷婷综合激情哟哟哟| 五月天激情综合网站| 久热无码| 色国产五月| 中文成人在线| 亚洲色无码| 韩日AV片| 欧美日韩成人在线观看| 色色五月婷婷| 欧美性生交A片免费看| 五月天色播网| 五月美女婷婷风骚| 婷婷六月色| av无码电影| 色色色综合| 婷婷五月天AV在线| 俺去也综合| 五月婷婷深深爱爱| 国产看真人毛片爱做A片| 午夜精品777| 97色综合| 狠狠狠狠狠狠色| 999热在线视频| 婷婷五月成人| 欧美综合五月丁香六月婷| 操B无码视频国语| 思思热久久久在线| 色欲九区| 无人区码一码二码三码医生系列| 开心激情五月天网| 丁香六月婷婷一区| 婷婷伊人综合| 久99久视频| 这里只有精品偷拍| 久久综合五月情| 色婷婷综合影院| 五月丁香婷婷在线| 日韩人妻AV在线| 五月激情婷婷在线| 色色热99| 伊人影院久久网| AV在线大香蕉| 99热精品9| 另类激情五| 亚洲成人免费在线| 五月婷婷五月天在线| 亚洲综合五月天婷婷丁香| 色五月av| 丁香五月AV| 综合亚洲五月天| av一区二区电影免费在线观看| 久久久久久97| 五月婷婷黄色视频| 91人人爽狠狠狠| 91 九色大美女| 激情深爱五月| 亚洲第一色色色| 精品婷婷丁香五| 色婷婷欧美| 亚洲99在线视频| www.com任你艹| 色色色网站| 激情五月四色| 欧美成性色| 五月花激情网| 九九成人电影婷婷| 色久综合| 99热在线精品观看| 欧美xx激情视频在线观看| 五月丁香激情综合网| 久久精彩视频18| 激情五月天色色| www夜夜操wwwcon| 九九久久综合| 99视频久久久| 婷婷桃色网| 天天爱天天做天天操| 久久少妇视频| 色综合爽| 久久婷婷网| 午夜丁香久久久久久| 色色激情| 日本色天堂| 色婷婷裸体色性在线| 日韩另类| 99久久久免费| 日本情色一区二区| 99久热视频在线| 婷婷久久大香蕉| 婷婷五月电影| 久久激情天堂| 丁香激情五月天| 久久久99精品| 欧洲综合色| 九九AV| 色婷婷五月天小说| 天啪色| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 日本97久久久精品| 日逼影音先锋AV男人资源站| yjzz亚洲国产| 久久婷婷五月天激情新地址| 国产成人精品一区二区三区视频| 亚洲综合另类| 另类在线| 黑人糟蹋人妻HD中文字幕| 五月婷婷天| 色六月婷婷| 人人色婷婷| 久久久精品色| 激情五月天伊人影院| 密乳视频| 五月天伊人手机在线播放AV| 丁香五月天天高清在线| 免费观看欧美成人AA片爱我多深 | 97色伦另类图片小说视频 | 婷婷欧美综合| 99久久久久久| 丁香婷婷六月激情文学 | 五月丁香综合网| 高清无码视频网址| 日韩一66精品| 婷婷五月天在线综合导航| 婷婷97| 亚洲中文字幕av| 玖玖爱综合网| 女人露出p毛视频www网站| 色婷婷影院| 五月丁香综合啪啪| 91操操操| 亚洲99热| Av九九| AV在线中文| 日本一级| 丰满老熟妇BBBBB搡BBB| 蜜臀综合久草| 色婷六月| 天天天操天天天爰| 五月婷婷九| 婷婷开心六月| 99色色| 五月天婷婷基地| 久草热在线视频| 久久婷五月| 色99在线观看| 丁香六月婷婷缴情欧美| 天花AV无码| a在线免费v| 狠狠干狠狠色| 五月婷婷成人w| 五月婷婷丁香av| 激情五月天伊人影院| 日亚二欧美| 日韩啪啪网| 可以直接看的av网站| 思思热在线精品视频网站| 日韩色色视频www| 五月天婷婷激情小说电影| 涩五月婷婷| 丁香五月天啪啪| 久久精品99国产精品日本| 丁香花大香蕉婷婷综合| www九九| 热无码A∨| 欧美成人精品一区二区 | 99热18| ss99热| 六月综合婷婷开心伊人| 国产亚洲在线观看| 97日本在线| 亭亭玉立国色天香| 人人草人| 久久婷婷五月天| 人人操人| 五月婷婷开心爱| 婷婷五月情天| 中文字幕在线观看视频www| 婷婷丁香六月天激情四射网| 99热色无码| 五月精品免费XXX| 91要啪| 青青青在线视频国产| 亚洲婷婷综合视频| 亚洲婷婷五月草久| 999婷婷综合| 97色干在线观看| 婷婷人人操| 欧美性生交XXXXX无码小说| 色色色色区| 熟女婷婷网站一婷婷五月一丁香婷婷一婷婷激情网 | 五月的丁香六月的婷婷| 久久婷婷热| 97超喷视频在线观看| 97精品综合久久| 99热精品在线免费观看| 国产精自产拍久久久久久蜜 | 亚洲sesesese| 五月天激情国产综合婷婷婷| 99久久99综合| 五月丁香婷婷福利| 久久久8| 色情婷婷久久五月天| 色综合激情| 一级二级香港秋霞欧美欧美秋霞| 精品久久人妻| 婷婷永久在线| 人人干99| 中文字幕激情综合| 婷婷色五月色| 日本婷婷色| WWW.五月天9999| 九月激情综合| 婷婷色五月天色| 欧美色色色| 欧美精品99久久久| 91黄址| 欧洲激情精品婷婷| 人人操人人妻| 五月婷婷综合色啪首页| 欧美丁香六月激情视频| 91Chinese在线| 婷婷久久五月天丁香| 色婷视频| 日韩三级视频一区二区| 3www激情| 99热国品| 婷婷成人五月天一区| 99精品视频在线观看| 天堂色婷婷| 另类激情综合| 天天综合区| 五月天婷爱综合| 女人高潮内射99精品| 九九色综合| 9久久精品| 夜夜大香蕉婷婷丁香| 欧美人人草| 丁香五月熟女| 婷婷六月综合激情| 婷婷玖玖五月天| 久久六月综合| 久久精品99久久久久久| 婷婷丁香五另类网站| 人妻视频在线| 黄色五月婷婷| 久久五月天激情美女| 色婷婷www| 99热精品在线| 拍真实国产伦偷精品| 丁香五月 综合| 久久五月丁香| 五月天堂在线| 五月丁香婷婷综合网色欲| 欧美日韩日韩成人| 96丁香六月婷婷蜜桃综合久久| 亚洲国产黄色电影| 久久婷婷五月天| 色婷婷综合成人| 久草A片| 国产成人网| 九九热精品| 中文字幕日韩无码制服诱或| av人人操| 色婷婷免费观看| 丁香五月综合| 国产肥白大熟妇BBBB视频| 秋霞电影理论| 五月婷婷欧洲| 综合久久影院| 凹凸探花电影| 超碰妻人人| 狠狠干无码| 97碰碰视频| 色五月婷婷色| 激情婷婷人妻| 丁香五月婷婷亚洲激情四射| 狠狠色婷婷777| 91免费在线视频6| 五月天婷婷综合色| 高清无码网址| 日韩无码一区二区三区四区| 嫩草视频| 天天天天天天操| 丁香五月婷婷成人综合| 亚洲精级| 色一情一乱一乱一区91Av| 99热99思午夜精品| www久久久久| 亚洲婷婷免费| 婷婷丁香激情五月| 久久婷综合| 久久黄色免费视频| 久久狠婷婷| av人人干| 婷婷五月天开心网| 亚洲激情图文小说| 伊人久热91| 深爱激情综合| 久久久噜噜噜久久人妻| 狠狠干2007| 97AV人人插人人操| 狠狠精品干练久久久无码中文字幕| 日日夜夜爽| 婷婷五月色| 国产日韩精品SUV| 丁香婷婷六月| 婷婷四色五月| 五月丁香六月在线欧美| 色射7856五月天激情四射| 天天爱天天操| 九九色播五月丁香| 婷婷五月天激情AV影院| 色色五月婷婷| 日本3级片一区2区| 大香蕉久久综合网| 婷色五月天| 人妻啪啪啪| 激情五月丁香色婷婷| 99热99美国在线观看| 爱99干99| 久久婷婷影院| 色综合久久久久| 99re热视频这里只精品5| 色综合久久综合中文综合网| 影音先锋一区二区资源站 | 丝雨一区二区| 国产人妻777人伦精品HD| 欧美丁香五月97色| 亚洲视频码| 伊人综合网站| 丁香久久| 97干视频| 激情综合五月| 五月婷婷真爱激情网| 色欲丁香久久| 婷婷五月综合婷婷| 亚洲AV中文在线| 天天透天天干| 96精品国产综合久久久久久| 五月婷婷香蕉| 丁香五月花| 人妻久久久久久久| 国产精品久久..4399| 婷婷性色| 人人射人人高潮| 俺也去综合| 日本人妻丁香婷婷久久寝取熟女五月| 无码se| 色一情一乱一乱一区91| 日韩精品999| www.com.色色| 色婷婷综合影院| 国产三级在线播放| 99久久高清视频| 色爱爱综合网| 91猫咪国产在线播放| 久操香蕉| 996黄色片| av免费在线观看0| 国产黄色在线观看| 九色综合网| 成人国产网站在线免费看| 久久99网站| 无码人妻少妇色欲AV一区二区| 思思热精品在线视频| 99re免费精品视频| 开心激情网在线| www.日本久久videos| 综合久久久| 色呦呦美女| 99WWW免费视频| 91好好热日本在线| 91超碰在线播放| 秋霞性爱AV| 96丁香六月婷婷蜜桃综合久久| 国产成人av在线播放| 五月伊人网| 超碰在线视屏| 亚洲欧洲色色| 色五月婷婷啪啪五月| 另类综合网| 97丁香五月| 色五月婷婷内射| 五月丁香花激情综合网| 日欧大屏操| XX久久| 91viP在线看| 五月天婷婷久久视频| www.色五月| 我淫我色婷婷五月天激情四射| 特黄三级又爽又粗又大| 婷婷久久性爱| 凹凸探花电影| 亚洲视频伍月婷婷| 国产熟女一区二区三区五月婷| 激情综合亚洲| 久久国产一区二区三区| 亚洲韩国日产综合AV| 超91在线视频| 丁香五月自拍| 丁香五月天无码| 久久色这里只有精品| 99热精品中文字幕| www婷婷| 久久婷婷丁香花综合网| 99热国产婷婷| 成人色站,在线视频,看片-SS1AV| 美女妹子后射视频网站在线观看| 男人天堂99| 久er7久热| 另类视频丁香五月| 9久久精品| 国产成人综合亚洲| 91人人超碰在线| 久久99最新| 天天草天天摸| 99热99在线| 伊人喵咪a V| 操逼毛片国语对白| 天堂草在线观| 色激情五月| 狠狠色综合图片| 嫩草视频在线观看| 五月天影院| 9999久久久久| 中文字幕不卡视频| 五月激情精品视频| 99热这里只有精品免费| 92久久精品一区二区| 嫩草国产| 99色热视频| 97婷婷狠狠| 秋霞少妇AV网站| 婷婷99中文字幕| 亚洲小视频| 天天色天天操天天射| 色婷婷无吗| 99热99思午夜精品| 91久久1118| 肏日网在线看| www,婷婷五月天777me,com| 亚洲av网站在线观看| www...com黄在线观看| 丁香婷婷精品视频| 色99热| 色五月婷婷丁香凹凸| 天天射影| www.激情| 99色在线视频观看| 婷婷亚洲在线| 天天开心AV色综合婷婷五月天| 婷婷情色五月天| 西西4r午夜剧场| 九九综合久久丁香婷婷,开心激情综合网| 激情六月丁| 色婷网站| 五月网激情| 99自拍网| 99热国内精品| 五月丁香六月婷婷激情网| 色婷插| 成人婷婷五月天| 色婷婷99| 丁香六月啪啪| 91viP在线看| 天堂五月婷婷| 天天干天天叉| 精品一二三区久久AAA片 | 丁香五月天堂婷婷| 香蕉久久国产AV一区二区 | 久久精品99国产精品日本| 中文字幕在线资源| 五月丁香婷婷在线| 五月婷婷天堂| 婷婷九九| 色婷婷婷婷| 色停停香蕉视频| 婷婷色啪| 色婷婷操逼| 在线观看欧美| 亚洲在线操| 91精品国产99久久久久久天美| 丁香五月成人网| 久久一操| 成功精品影院| 五月婷婷影| 9精品在线| 人妻九九九九| 成片免费观看视频大全| 婷婷综合五月| 五月天大香蕉| 伊人婷婷激情| 99在线视频操999| 五月之婷婷| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 狠狠 久久| 综合色五月| 日笨久久网| 66色在线日韩| 激情床戏| 无码色色色| 九九精品这里只有| 色色色色欧美| 九九热只有精品| 久久综合五月| 欧美色五月| 91色五月| 九月色婷婷| 丁香五月AV综合激情| 夜色五月天| 丁香六月婷婷| 丁香五月色| 99精品国产在热久久| 五月婷婷久久网| 青青草99re| 激情五月天网站| 99操视频| 亚洲网在线观看| 婷婷五月天欧美| 女人天堂久久| 99热精品无码| 九九视频精品在线免费| 久久网址99热| 激情五月天婷婷五月天| 甈你aaaaa| 99碰视频| 亚洲人妻AV| 色女伊人| 五月丁香久久| www.com久久久久久久久久久久久久久久久| 国产日韩欧美| 玖玖视频福利| 91女人18毛片水多国产| 五月丁香啪啪激情| 深爱丁香激情| 成人一级片| 国产无套精品一区二区| 色五月色五天免费视频| 99爱视频精品在线观看| 99九九热播在线免费视频| 五月婷婷色影院| 激情WWW| 操逼视频网址| 九九视频在线| 天天干天天色综合| 婷婷五月成人有| 狠狠综合久久综合| 激情五月综合| 色婷婷超碰| 婷婷综合网伊人| WWW.久久久久久久| 丁香五月婷婷社区| 五月天综合色| 五月天色五月| 丁香婷五月| 久草天堂| 国产在线视频1234| 久久精彩视频| 久久五月婷婷丁香| 丁香五月综合在线播放| 婷婷综合网| www.色色com| 狠狠干狠狠干| 久九色| 五月开心深爱激情网| 噜噜色五月| 激情五月天色婷婷综合| 婷婷五月色播天| 丁香五月婷婷在线| 亚洲天堂大香蕉| 久狠日av| 丁香婷婷久久激情| 入口五月婷婷六月香| 久久综合婷| 五月久久综合| 丁香六月综合| 天天摸天天肏| 欧美激情VA永久在线播放| m色激情网| 99这里只有免费的精品| 久久草大香蕉| 中文字幕,综合,91| 婷婷久久婷婷色五月| 97色婷婷| 免费看欧美成人A片无码| 五月天综合视频| 91丨九色丨熟女|新版| 天天精品视频免费观看| 思思久日精品视频| 九九这里精品| 五月丁香综合精品| 色五月久久成人婷婷| 久久99网址| 色青五月天| 九月激情婷婷丁香| 欧洲电影在线观看免费版英语版 | 国产成人va在线| 五月丁香六月激情狠狠| 亚洲 精品 综合 精品| 91精品久久久久久综合五月天| 极品另类| 日本99在线视频| 99色精品| 丁香狠狠色婷婷| 久久99精品久久久久久三级| 色97啪啪| 欧美激情伊人| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 伊人婷婷91| 婷婷五月综合网激情| 永久天堂日本| 九九草草逼| 久久9情免费| 午夜丁香久久久久久| 国产性爱大片久久| 97se在线视频| 亚州色综合| 成人啪啪色婷婷久| 97黑人精品区| 五月天三级久久| 久99热在线观看| 国产老熟妇亲子乱对白| 久久多色| 日韩免费乱轮网站| 婷婷五月天激情综合| 五月丁香婷婷激情| 五月天婷婷导航| www.99热. com这里只有精品| 久久婷婷五月天综合| 这里只有精品2| 五月婷婷五月天| 亚洲天堂爱爱| 色婷婷丁香| 91打屁股免费看| 婷婷日韩| 1024婷婷综合久久五月天| 九九视屏| 性色人人爽| 大香蕉综合| 色青青视频| 五月丁香六月激情综合在线| 久热网在线视频| 五月丁香婷婷免费视频| 国产成人+综合亚洲+天堂| 婷婷91| 伊人香大香蕉视频| 久久九精品| 狠狠爱婷婷爱| 色七色九九| 午夜婷婷六月天| 99.N在线视频| 99re6久热只有精品6在线直播| 能看的av网站| 久久99大| 天天操B| 天天干狠狠操| 色欲一二三| 91蜜桃婷婷狠狠久久综合9色| 婷婷激情五月| 超碰激情五月| 婷婷六月丁香激情| 这里只有精品视频在线看| 婷婷五月丁香超碰| 依人大香蕉| 99久久色| 激情综合五月激情17| www五月天激情com| 日本久热| 亚洲日本韩国| 99啪啪网| 日在线V视频在线播放| 五月丁香婷婷深深爱| 夜夜操狠狠操| 99热日| 激情婷婷五月天伊人在线观看| 99爱视频在线| 人妻久久久| 日本天堂免费99| 激情99。| 五月天丁香成人| 香蕉AV777XXX色综合一区| 99人人操人人爱久久久| 噜综合| 五月天六月婷婷| 天天综合色| 激情五月天的婷婷| 婷婷五月天美女视频| 日本人妻A片成人免费看片| 特级操b片| 久久99免费视频| 嫩草AV久久伊人妇女超级A| 97人人做| 天天爱天天操| 丁香99| 丁香五月天人体| 五月天另类视频| 99热在线观看| 久久五月婷| 五月开心深深爱激情综合| 激情五月天影院| 免费看成人747474九号视频在线观看| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 久久99网| www.wuyuetian啪啪| 在线五月婷婷小电影| 激情五月天网站| 日本色99网站| 免费99情趣网视频| 丁香婷五月天开心六月| 日本天堂网站99| 99热综合在线观看| 亚洲五月婷婷| 亚洲综合九九| 婷婷欧美激情综合| 亚洲第二AV| 五月久久亚洲| 9久久精品| 操操啪| 97碰| 婷婷六月视频| 精品无吗va视频免费观看| 久久91久久精品久久| 狠狠久久婷五月综合色| www婷婷| 五月天丁香网站| 青草五月天| 99热热热天天人人人超超碰| WWW丁香五月| 九九热99视频| 国产精品人妻欲求不满| 4399在线日本A片| 久操福利| 九热视频| 99精品视频在线观看免费| 日本99视频| 伊人网欧美在线男人天堂五月丁香 | 97成人丁香| 五月婷婷人妻| 久久一级免费黄色片| 九九热这里只有精品6| 婷婷九月在线| 久久综合干| 色愛综合网| 婷婷五月色| 久久九九99字幕| www,99热在线观看| 啪啪五月综合| 欧美va在线观看| 棕合影院色色| 久久538| 激情五月丁香色婷婷| AV中文网| 99爱视频在线观看这里只有精品| 亚洲成人网站在线| 99精品久久| 五月婷婷播| 九九九九九九九九九九九九九九九九九九九在线视频 | 亚洲色五月天| 婷婷综合五月天| 91一起操| 狠狠狠狠狠操| 啪啪东京热| 色婷婷电影| 六月丁香婷啪射| 青青久久五月天丁香婷婷| 亚洲六月婷婷| 去干网av| 91在线观看九区| 午夜婷婷久久 | 午夜九九九九九九| 午夜一区| 亚洲mm色| 成人在线网站| 激情五月综合网| 人人摸人人干人人做| 五月天久久网站| 九九热视频在线观看| 丁香五月综合在线播放| 97热久久| AA片在线观看视频在线播放| 久热这里只有精品99re| 97丁香婷婷| 亚洲精品无码99热| 九九热精品在线| 888精品福利地址| 色色色1网址| 在线99热| 色色 9| 丁香五月婷婷黑人妻黄色电影院| 久久一级AV| 亚洲综合在线播放| 婷婷丁香五月天色区| 精品久久婷婷| 成人综合网站| 五月天激情四射网站| 色播五月天天| 91免费看片| 久久99热网| 中文AV在线播放| 婷婷六月天亚州| 高清不卡一区| 五月婷婷婷色| 99热九九热| 欧美va在线| 热热久久精品视频| 久久婷视频| 色一色综合| 五月婷丁香| 天天草天天摸| 五月www| 超碰免费人妻| AV在线二十六页| 狠狠色色| 亚洲 视频 导航 一区| 久久久久99精品成人片| 久久99网站| 国产色99| 蜜乳久AV| 操一区| 色婷精品91| 婷婷基地爱| 伊人干练久| 五月天婷婷色色| 在线超碰91| 97搞在线| 99操| 91操操| 国产激情在线| 五月婷婷开心综合| 五月色婷婷综合丁香精品无遮挡| 久久99婷婷| 亚洲AV无码一区二| 婷婷五月丁香国产| 99精品国产乱码久久久人妻| 99亚洲精品视频| 五月天婷婷操逼视频| 深爱激情丁香五月| 久久久久人无码人妻| Av性爱网| 综合亚洲六月婷婷在线| 久久久精品AV| 操逼巨乳91| 五月色婷婷夜色| 亚洲AV成人无码精品| 久久久国产精品黄毛片| 五月丁香在线| 人人摸人人摸| 综合色五月天| 97在线/亚洲| 成人在线视频一区| 精品人妻久久久久久| 五月情色天| 亚州AV超碰人人操| 婷婷之六月丁香| 另类丁香五月天区图| 梁铮版蜘蛛女在线观看| 激情无码五月天| 丁香五月香蕉在线| 丁香五月婷婷深爱综合激情| 久热9| 国产精品成人在线| 婷婷丁香在线| 狠狠色丁香| 色色婷婷五月| 99综合视频在线| 亚洲sesesese| site:xmssd.com| 婷婷伊人无码| 天天色天天爱天天舔| 99色色网站| 狠狠色丁香99| 99色热综合| 蜜臀嫩草| 激情五月天开心总和网| 天天色综网| 99精品综合| www.久久99热地址发布| 色婷婷免费观看| 丁香五月天堂| 天天干天天爽| 777精品久无码人妻蜜桃| 亚洲精品又粗又大又爽A片| 五月天久久色| 99九九99九九九视频精品| 综合网色综合| 人人干女人| 操一区| 狠狠夜夜五月丁香| 思思综合热| 激情五月婷婷色| 五月激情影院| 99啪啪视频| 色香蕉影院| 日本无码专区| 亚洲色图啪啪| 91大神操美女| 丁香六月色婷婷欧美| 激情丰满熟妇五月| 这里只有精品网站| 久久精品99久久久久久| 激情五月天婷婷五月天| 欧美性生交XXXXX无码小说| 日韩不卡123| av在线免费网站| 欧美色图45678| 中文不卡一二三区| 色五月婷婷色五月婷婷色五月婷婷| 67194中文字幕| 99在线精品视频| 婷婷五月欧美综合| 五月天丁香婷婷社区| 人妻久久久久| 色五月视频,小说| 九九色色| 99热这里只有精品9| 黄色AAAA韩国guochansanji| 婷婷婷久久久| 日本的α片xxxwww| 丁香六月婷婷综合啪啪| 人人操插| 国产午夜成人免费看片无遮挡| 国产婷婷五月| 99热99成人| 激情五月综合网最新| 99在线免费视频| 国产成人精品一区二三区熟女在线 | 色播五月婷婷综合| 五月婷婷二月丁香| 国产精品大香蕉| 激情 久久 婷婷| 情色五月天网站| 好好干av| 天天综合网91| 婷婷D区| 96精品久久久久久久久| 天天干天天干天天干天天干天天干天天| 综合图片色色| 欧美精品XXXXBBBB| 91九色欧美| 91婷婷五月天综合视频| www.五月天色色.com| 无码激情AAAAA片-区区| 丁香五月最新地址| 深爱激情网噜噜色| 九九热超碰| 丁香伊人五月色婷婷五十路| 丁香五月婷婷无码AV| 五月丁香六月成人| 这里只有精品视频| 国产精品美女| 五月婷婷我| 五月天综合色| 无码动漫av| 五月婷六月天| 99免费| 久久丁香婷婷五月| 婷婷五月丁香五月天| 婷婷五月色情天| 69人人操人人爽| 天天噜天天爱| 97人人超| 99 福利 导航| 天天干天天色天天干| 色欲天天综合网| 婷婷五月色影视先锋| 日日狠狠久久偷偷四色综合免费| 日本九九九九| 日韩综合天堂| 99综合视频| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 这里只有精品视频| 超碰成人av| 激情五月天伊人av| 亚洲精品国产熟女久久久| 日本久久天堂| 久久99精品久久久久久噜噜| 五月婷婷欧洲| 深爱激情小说五月婷婷| 99色性爰网络| 精品99在线| 婷婷六月啪啪| 人人摸人人干| 亚洲六月婷| 色色无码| 欧美五月丁香啪啪响视频| 婷色五月天| 亚洲欧洲午夜成人精品av| 激情五月视频在线婷婷| 日韩成人不卡| 亚洲综合网激情五月天| 五月激情小说| 五月天丁香六月综合| 六月丁香啪啪啪| 大香蕉久热| 五月丁香亭亭| 亚洲另类av| 开心激情五月天网| 丁香激情五月天| 欧美激情2025| 久久se 综合网| 色婷五月天网站| AA片在线观看视频在线播放| 五月丁香六月日逼| 天堂五月婷婷| 99在线观看这里都是精品| 久久天天| 色八月婷婷| 人妻久久久| 丁香六月AV| 久久大香蕉| 亚洲精99| 天天色情站| 五月丁香六月色情网欧美| 欧美S码亚洲码精品M码| 五月天激日本色情在线| 久久草大香蕉| 婷婷狠狠久久| 国产精品色情AAAAA片软件| 九九草热在线观看| 五月天福利影院导航| 激情五月亚洲| 色婷婷影视99| 开心婷婷五月| 26UUU欧美激情一区二区| 五月丁香激情四射| 超碰人人在线| 99热这里| 草AV9999| 婷婷综合国产| 婷婷亚洲综合| 色播婷婷大香蕉| 天天日夜夜拍| 日本人妻丁香婷婷久久寝取熟女五月| 日日夜夜干| 丁香婷婷色五月天| 激情淫乱男女| 国产免费一区二区三州老师F1F1| 久久九九网| 婷婷五月天社区| 婷婷综合五月色播| 看逼中文字幕| 亚洲综合婷婷| 亚洲天天免费| 性色九九| 色五月大| 99小视频在线| 610018岁成人视频| 熟女激情五月天 | 超碰在线视屏| www.天天干| 婷婷五月天成人网站| 98永久精品| 天天做天天爱| 五月天婷婷青青草| 天堂爱啪啪| 色播综合| 狠狠干综合网| 91人人操人人| 国产亚洲成AV人片在线观黄桃 | 九月丁香婷婷基地| 五月婷在线| 五月丁香色色综合| 日韩AC在线免费观看| 婷婷五月综合网| 丁香五月婷婷动漫| 激情婷婷视频在线| 99精品在线观看视频| 99色爱| 在线中文字幕视频| 韩日另类| 9精品在线| 九九热区一区二区三区| 久久免费丁香| 久久99国产综合精品免费| 五月天啪啪啪| 六月欧美综合色情| 五月婷婷色色网址| 开心激情站| 综合色播| 婷婷五月AA五月在线| 免费播放片大片|