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
夜夜谢天天干| 97碰在线视频| 国产亚洲99| 成人精品一区日本无码网| 丁香五月丁香伊人| 久久婷婷综合色丁香| 涩涩涩.com| 五月婷婷综合社区| 伊人久久婷婷| 99这里只有精品|v| 国产va在线视频| 激情丁香五月综合| 五月婷婷色欲| 婷婷久久五月天| 综合激情伊人影视在线| 激情五月婷婷视频一区二区三区| 狠狠爱综合网| 丁香五月天堂网| 色蜜婷婷| 国产免费一区二区三州老师F1……| 第五婷婷伊人丁香| 色色三级视频| 婷婷五月激情的图片| 国产免费AV在线| 亚洲色婷婷| 激情五月小说婷婷| 亚洲狠狠狠| 天天摸.天天mo| 免费成人网在线观看| 91碰碰碰| 五月天激情国产综合婷婷婷| 色色色999| av操一操| 婷婷五月激情视频| 激情小说五月天社区丁香| 久久日韩婷婷五月| 日本人妻伦在线中文字幕| 99在线观看视频| 色综合久久天天综合网| 免费啪啪亚州视频| 日本三级99人妇网站| 婷婷五月天激情文学| 91精品综合久久久久久五月丁香 | 成人AV在线电影| 国产精品久久久海的味道| 五月婷婷视频| 久久性爱视频| 开心五月天激情网| 婷婷综合色色| 天天肏夜夜肏| 五月开心婷婷网| 欧美成人猛片AAAAAAA| www.狠狠| 五月丁香婷婷三级| 俺去啦综合网| 久久性爱视频久久性爱视频| 亭亭色网| 亚洲激情综合| 91激情五月开心| 99在线精品在线视频| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 一级性感黄色内射视频| 91熟妇大香蕉| 婷婷五月天影院| 五月婷在线| 丁香五月综合亚洲| 六月综合婷婷开心伊人| 另类激情综合| 婷婷性福五月天| 亚洲亚洲永久无码777777| 国产亚洲99久久精品| 黄色激情久久| 国产伊人五月天| 五月天激情站| 无月播播激情在线观看视频| 五月天婷婷激情干干| 综合五月草| 日本久热| 99热这里只有精品1025| 婷婷五月激情基地| 天天摸天天爽| 综合激情五月天六月婷免费视频| 婷婷激情鹿城五月天| 色五月aV| 婷婷丁香五月天综合网| 深爱激情网五月天| 人人妻人人澡| 国产成人高清| 欧美精品啪啪| 久久久天堂国产精品女人| 91精品综合久久久久久五月丁香| 人妻熟女一区二区AV| 少妇水多A片太爽了| 国产欧美熟妇另类久久久 | 亚洲熟女色| 5月婷婷五月天| 婷婷日日夜夜| 九九免费视频| 五月色婷婷激情| 99久久久国产精品免费蜜乳tv| 激情五月深爱五月| 99r久久这里只有精品| 激情综合4月| 色婷婷久久| 99色啊| 99超在线| 91精品综合久久久久久五月丁香| 色婷婷丁香五月综合| 99这里只有精品国产| 五月天中文字幕在线婷婷| 五月天久久丁香| 色天天综合成人网| VA色婷婷| 日本不卡高字幕在线2019| 猫咪伊人AV| 激情婷婷丁香| 男人天堂AV在线一区二区| 色婷婷777狠狠| 色色色综合视频| www夜夜操wwwcon| 五月天婷婷丁香蜜桃91| 天天做天天爽| 99超超碰| 啊v视频在线观看| 色播五月丁香婷婷| 国产99久久久| 欧美99热| 9l视频自拍9l视频自拍九色学生| 激情AV| 99热老司机| 色区久久| 综合激情五月丁香| 人人噜天天上| 99热这里有精品| 热99在线精品| 五月丁香婷婷福利| 婷婷五月丁香成人| 欧美人与性动交CCOO| 久久丁香网| 亚洲欧美婷婷五月色综合| 五月丁香猫咪久久婷婷综合视频激情四射网入口 | 色色色无码| 97色啪| 免费无码毛片一区二区A片| jiuse91在线| 超黄亚洲瑟瑟网站| 五月婷婷综合久久| av中文在线| 色丁香五月婷婷| 97在线日韩| 99re99在线看| 五月天狠狠网| 婷婷九月久久| 五月丁香花激情综合网| 亚洲成人在线在线| 欧美日韩国产伦精品日韩人妻一| 。久久久久久久久久久久久久人妻 | 色玖玖| 五月丁香激情婷婷| 九九99偷拍视频| 99热播放| 另类激情五月在线视频欧美| 日韩国产AV播放| 黄桃AV无码免费一区二区三区| 五月婷婷黄| 六月婷久久| 色播播之激情五月婷婷| 精品夜夜澡人妻无码AV| 久久综合性| 99在线免费视| 欧洲色色| 玖玖资源部在线播放| 成人在线视频网| 丁香五月婷老师| 婷婷五月AV| 日韩美一级毛卡片| 五月色婷婷影视在线电影| www.精品99| 精品国产一区二区三区四区阿崩| 91色噜噜狠狠狠狠色综合| 婷婷色五月天第7色| 色九亚洲| 国产第99页| 久久婷婷五月天激情新地址| 久久九九热视频| 久久婷婷五月综合色奶水99啪| 久久婷婷五月综合色天| 久久玖玖综合| 亚洲激情视频在线观看| 婷婷激情综合| 日本啪啪网| 超碰人人干| 丁香五月婷婷动漫| 欧美日韩123| 五月天无码| 97干97色| 激情六月一二| 五月丁香五月丁香五月丁香五月丁香91| 久久久妻人人人| 婷婷六月久久综合导航| 五月香蕉婷婷| 婷婷五月天综合久久| 亚洲精品第一国产综合亚AV | 天天日天天色| 九九热这里只有精品7| 久久婷婷色五月| 91热久久| 九九久久99| 亚洲视频一区| 天天爽天天做| 中文不卡av| 99热久久最新地址| 久久一品区| 婷婷五月天伊人在线| 91人妻视频| 99久久这里只有精品| 欧美成性色| 婷婷六月天| www九月婷婷| 5月婷婷性视频| 免费亚洲婷婷| 99人这里只有精品| 婷婷五月天小说| 久久婷婷五月综合啪| 五月婷精品| 五月天激情站| 久久人视频| 8区视频在线| 婷婷五月天中文字幕.| 日日操夜夜擼| 久久这里只有精品视频1| 天天操天天插| 思思久久96热在精品国产,| 久久亚洲色导航| 影音先锋一区| 亚洲乱码成人| 久久东京热婷婷五月| 天天爽天天爽| 激情五月天开心| 91超碰在线播放| 六月婷婷五月天| 婷婷99中文字幕| 五月婷婷六月激情| 激情五月天小说视频| 强辱丰满人妻HD中文字幕| 久久成人人妻| 婷婷丁香五月天在线视频| 激情淫乱男女| 97caop| 99视频精品在线| www.99精品视频| 天天拍天天操| 久久婷婷六月综合| 激情九九九九| 日本欧美成人片AAAA| 99久久成人| 丁香五月婷婷99| 26uuu国产| 夜夜夜夜夜骑撸| 99五月婷| 丁香五月天日韩无码| 久久人妻www| 97人人干人人操| 婷婷成人av| 婷婷大美在线| 狠狠香蕉| 五月天操逼网| 99热综合| 亚洲黄色影视| 99热热这里只精品996小说| 91超碰在线观看| 青青草青青草五月天| 五月婷婷激情久久| 激情五月天在线观看婷婷| 人人操av| 亚洲av日韩无码| 五月激情综合激情五月| 久久婷婷丁香五月一二三| 狠狠综合久久综合| 七七久久综合| 97人碰人操| 99热婷婷| www.黄色片-久久成人国产精品在线播放-999AV| av在线观看免费| 久久9999| 五月色婷婷中文字幕| 色婷婷五月亚洲| 激情综合区| 伊人热婷婷| 九九热黄色| 久久狠狠干| 婷婷久久免费| 激情国产五月| 亚洲亚洲人成综合网络| 丁香狠狠| 婷婷亚洲影院| 婷婷伊人久久| 天天色凹凸| 久久色婷婷| 99热首页| 激情视频综合| 五月婷婷99热| 丁香五月婷婷超碰在线| 午夜成人AV在线| 婷婷五月激情片| 五月婷免费视频| av操B网站| 最新高清无码专区| 香蕉影院色| 日韩黄色电影| 97热这里精品在线视频| 五月天综合视频网| 九九综合色综合| 丁香六月天婷婷开心综合| 色五月婷婷丁香婷婷| 天天综合色丁香| 狠狠爱婷婷五月天| 五月婷婷综合影院| 秋霞av不能| 嫩草AV久久伊人妇女超级A| 亚洲婷婷五月天| 开心五月天激情网| 丁香五月在线观看| 激情伊人五月天| 婷婷久久综合久色| 热久久77777| 思思99热这里只有精品| 色宗合,宗合网| 99热大香蕉| 久久婷婷啪啪视频| 成人天天爽| 99这里精品| 婷婷精品在线| 丁香桃色综合网| 欧美丁香六月激情视频| 色五婷婷在线视频| 日日爽夜夜爽| 天天日日夜夜| 五月丁香成人网| 99亚洲精品| 国产女18毛片多18精品| 国产免费一区二区三区三州老师F1F1.CC | 99热销国产这里有精品| Caoporn公开| 五月丁香六月婷婷综合| 色综合色| 日日操,夜夜爽| 人人色性网| 色性五月天| 九九婷婷五月天影视| AV天堂婷婷五月天| 激情婷婷啪啪| 色丁香五月天| 日本熟妇精品99| 大香蕉婷婷丁香天堂AV| 噜噜视频| 国产真实乱对白精彩| 欧美色激情四射| 99热这里| 久爱综合| 五月色婷婷夜色| 伊人久久大香网| 欧美人久久| 99九九综合久久九九| 影音先锋一区| 欧洲亚洲免费视频9| 五月激情网站| site:minyis.com| 五月婷六月丁| 综合五月丁香六月婷婷| 色综合99| 99视频在线播放大全| 五月婷婷丁香大陆免费| 欧美色小说婷婷| 人人干AV| 97色碰| 亚洲午夜av| 激情综合色| 色婷婷色丁香色欲av| 亚洲激情六月| 国产精品人妻在线网址| 天天日,夜夜爽| www.99热| 婷婷五月天影院| 操日本色| 色五月六月婷婷| 日本人人xxx| 国产日比| www.婷婷亚洲基地| 翔田千里无码| 伊人午夜综合色啪| 九九色综合网| 成人做爰高潮A片免费视频| av无码电影| WWW.开心五月天.COM| 久久五月天综合| 九九久久99| 五月天啪啪| 丁香综合| 天天综合久久| 久久天堂网| 亚洲乱码日产精品BD在线观看| 99色爱| 九九黄色网| 丁香六月天婷婷色| 久9热视频| 激情五月天婷婷丁香| www.狠狠操.com| 五月丁香六月激情欧美综合| 操一操干一干| 99久热在线精品| 丁香五月狠狠综合欧美| 九九热精品视频在线观看| 婷婷大乡焦噜噜| 激情五月五月五月婷婷| 色99在线| 日本老女人黄页在线播放| 天天搞天天色综合| 日韩99无码| 美女100%露全身无挡网站| 草综合14| www.91色| 99热日韩这里只有精品| 婷婷五月激情网| 九九九九九九九九九九九九九九九九九九九在线视频| 亚州综合色| 26uuu欧美日本| 婷婷黄色网| site:feetmall.com| 丁香五月香蕉| 婷婷九九| 九九热视频精品| 大香婷婷| 五月丁香婷婷婷激情爱爱| 精国产品一区二区三区A片| 人人色人人摸人人看| 激情六月一二| 日韩久久欧亚| 在线观看亚洲视频影院| 亚洲国产黄色电影| 综合网五月天123| 九日日夜夜69| 性爱久久| 激情丁香五月综合| 久久这里面只有精品视频| 天天操夜夜操| 影音先锋激情网| 精品久久久中文字幕大豆网推荐理由| 天天免费日日夜夜夜夜| 亚洲V国产V欧美V久久久久久| 天天噜天天爱| 99热综合| 久久九九99| 亚洲人成色A777777在线观看| 琪琪色五月婷婷老师| 五月丁香婷婷中文网| 丁香五月五月婷婷欧美大香蕉| site:hcxsz888.com| 开心五月婷婷激情| 亚艹艹| 婷婷久久图片| 久久久久久人妻| 色色五月婷婷久久| 婷婷综合色| 天天做天天爱天天爽夜夜揉| 五月天丁香婷婷网| 国产精品-第3页-91JQ就要激情网91JQ5.JQJQ926.XYZ | 久久综合伊人综合在线| 97色碰| 婷婷五月天AV网| 9久视频| 亭亭五月丁香综合欧美| 三级av在线| 五月色丁香国产在线视频| 婷婷五月天av小说| 激情无码网| 99色在线观看| 色色欧美色色色| 丁香婷婷激情六月五月开心| 久热这里只有精品性色AV| 乱精品一区字幕二区| 婷婷丁香五月视频| 国产综合81p| www.激情五月| 五月天婷婷基地综合网| 欧美色久| tingtingzonghewang| 大香AV| 4399在线日本A片| 亚洲色激婷| 久久婷婷五| 噜噜噜久久亚洲精品国产品91| 任你弄在线视频免费| 亚洲第一精品网站| 丁香五月天亚洲综合| 99熟女啪啪视频| 婷婷视频网| 五月 婷 久| 天天操天天曰| 亚洲激情无码久久| 亚洲成人AV在线播放| 亚洲乱码日产精品BD| 激情小说五月天中文字幕| 97超级免费无码| 激情五月久久| 九九热这里只有精品12| 啪啪啪大香蕉| 欧洲S级在线观看| 亚洲五月丁香综合网| 精品热青草| 丁香五月婷婷在线观看| 色V狠狠的干| 日本97在线观看| www.婷婷.com| 六月婷婷久久| 视频这里只有精品16| 日本丰满久久| 97色婷婷| 另类小说五月天| 天天综合色| 99天堂网| 啪啪五月婷婷| 久久久国产精品黄毛片| 99热这里只有精品中文字幕| 操逼六区| 综合狠狠干| 婷婷五月欧美| 久久艹 五月天| www久久艹| 亚洲激情综合免费| 99re在线这里只有精品视频首页| 久久五月天精品视频| 在线观看av网站| 婷婷综合国产| 久久五月婷| 丁香五月综合婷婷| www,婷婷| 婷婷五月综合在线| 久热中文字幕| 91成人看片| 91精品刘玥| 日木WWW视频| 熟妇内谢69XXXXXA片| 狠狠操狠狠插| 开心五月激情网| 色综合色| 欧美私人家庭影院| 热久久91| 五月天影院| 另类小说五月天综合网| 欧美97p| 五月丁香成人| 色就是色婷婷五月亚洲激情| 成人免费视频一区| 国产偷人爽久久久久久老妇APP| 99热这里是精品| 成人丁香五月| 色99在线| 欧美人人操| va婷婷| 99视频这里只有精品10| 久久天天| 久草A片| 五月天综合久久| 五月婷婷熟女| 久久WW| 五月天激情.com| 在线观看熟女少妇| 九九AV在线| www.AV在线| 26uuu色五月| 日韩av高清| 97在线观视频免费观看| 91综合视频丁香| 国产欧美精品AAAAAA片| 人妻体体内射精一区二区| 丰满少妇猛烈A片免费看观看| 亚洲无AV在线中文字幕 | 五月婷婷之美女图片| 婷婷综合色五月天| 婷婷成人小说综合| 爱婷婷都市激情| 人妻人人操| 五月天婷婷久久| 人人摸人人搞| 午夜天堂一区人妻| 丁香五月九九| 九九热视频精品2| 99ri精品| 99操视频| 五月丁香色婷| 91玖玖| 开心久久五月天| 日本99久久| site:901-07.com| 色色综合色视频| 天天噜天天插| 婷婷开心青青草| 五月丁香色五月| 欧美va亚洲va在线播放| 六月婷婷网站| 久久这里有| 色五月婷婷av| 日本va欧美va国产激情| 婷婷伊人| 99原创自拍视频在线观看| 国产色色色色色| 综合色99| 青青草搞屄视频网站| 综合激情五月丁香| 色色色在线观看| 亚洲色色色| 中文字幕av久久爽| 五月色情婷婷开心五月天| 婷婷色播色五月五色五月天色妇| 99精品免费欧美小视频 | 婷婷5月久久综合网站| 9l视频自拍9l视频自拍九色学生| 五月丁香操婷逼| 99er在线观看| 开心五月网| 丁香婷婷社区| 久久97久久99久久综合欧美| 婷婷丁香婷婷97| 开心激情色婷婷五月天| 九月av| 99操逼| 激情五月婷婷丁香综合网| 狠狠综合| 久久99激情| 丁香婷婷色五月| 日日操夜夜擼| 丁香五月AV| 亚洲精久久| 亚洲综合热| 色色无码| 色丁香五月婷婷综合久久| 激情五月色婷婷| 色婷五月天| 黄色毛片精品| 26UUU精品一区二区Com| 国产日韩亚洲欧美在线观看| 超碰chaompinm| 九九视频在线观看| 色五月天 丁香| AV网站免费在线| 99色免费视频| 久热只有精品| 一区二区三区四区牛| 综合色五月| 99国产在线| 亚洲激情四谢| 天天干夜夜b| 99热精品在线| 99色在线观看免费| 舔色婷婷| 婷五月天| 五月色丁香婷婷中文字幕| 另类小说激情五月天| 伊人久久大香线蕉精品| 天天久久狠狠色综合| 丁香五月天在线观看| 超碰人人在线| 五月丁香激情综合六月涩涩爱| 亚洲AV色婷婷人禽五月天| 五月丁香六月欧美综合网站| 丁香五月天天| 色黑鬼导航| 日本欧美成人片AAAA| 操日本色| 丁香五月天社区| 香蕉AV777XXX色综合一区 | 日本综合九九| 欧美综合激情五月天| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 国产色香蕉精品五夜婷| 天天日日人| WWW.17C亚洲精品| 婷婷黄色网| 亚洲精品五十一区| 97高清国语自产拍| 无码激情AAAAA片-区区| 99 这里只有精品| 国产黄大片在线观看画质优化| 久久久27操| 91干在线| 日本色色网| 99无码视频| 日日婷婷不卡| 婷婷碰碰| 天天色播| 亚洲操B| 伊人热在线大香蕉| 婷婷在线操| 六月激情综合| 五月婷婷丁香大陆免费| www.狠狠操| 久久玖玖99| 99热激情| 综合激情专区| 色丁香综合影院| 蜜臀AV在线观看| 色色色色色色97| 最近中文字幕在线中文视频| 欧亚色色| 香蕉久操| 99热| 五月丁香婷婷啪啪综合| 色五月天成人| www.1024久久| 亚洲欧洲国产精品| 欧洲激情五月天婷婷| 久久丁香五月婷婷| 五月丁香六月婷婷久久久综合| 涩婷婷视频快播人妻| 丁香五月香蕉| 天天操夜夜玩!| 操人视频91| 99九九精品| 人人97碰| 婷婷丁香熟女| 五月开心激情网| 玖玖色资源| 天天天天操| 99久久黄色顶级视频| 91狼友视频网页更新| 99免费视频在线观看爱| 亚洲第一成人AV| 日韩 中文 欧美| 99综合久久| 五月丁香啪啪激情| 91日韩在线| 综合五月天亚洲婷婷| 韩国97天堂| 夜夜撸天天操| 婷婷丁香五月av| 91久久九九| 成人AV中文字幕| 99热最新| 97人人干| 99热成人| 久久这里有精品99| 综合色网站| 丁香五月五月婷婷| 丁香五月激情月| 色五月天丁香婷婷| 色色9 9| 丁香九月激情| 开心五月深爱五月婷| 综合九色| 精品无码久久久久久久久 | 超碰在线国产| 久久久区区一久久久久久| 成人五月天丁香婷| 欧美丰满熟妇BBB久久久| 婷婷久久免费| 色啪综合| 免费99色| 色五月,com| 丁香五月色| 1024人妻| av最新在线| 亚洲AV日韩在线观看| 91婷婷| 日韩十国产极品久久| 亚洲色夜| 99re在线播放| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 亚洲网站观看视频| 97色色视频| 成 久久| 亚洲色色五月天| 人妻在线观看视频| 天天操电影院色狼性av| 妇激情基地| 五月婷婷五月天| 日韩av在线电影| 五月丁香激情综合网官网| 性生活视频98791| 无码中文一区二区三区| 99精品视频免费在线播放| 色婷婷88| 久久久久久久久久91| 五月丁香视频色色| 激情婷婷五月天| 色爱亚洲| 色天天综合| 五月婷婷基地| 操婷婷久久| 九月婷婷在线视频| www久久久久久久久久久| 最近中文字幕在线中文视频| 人妻少妇色综合| 日本五月天一页| 91丨熟女丨首页| 五月丁香婷婷啪啪| 淫视馆aV二区一区| 五月激情丁香五月| 五月综合视频在线| 亚洲中文无码成人| 色五月婷婷在线| 日日做A爰片久久毛片A片英语 | 色婷婷六月天| 91热在线| 五月亭亭网成人在线视频| 操99| 五月丁香婷婷成人网| 九九久久久综合| 成人亚洲精品| 99色一| 5月婷婷六月丁香| www.色综合.com| 深爱五月网| 久久这里只有精品99| 伊人网啪啪| 另类五月激情| 久久性爱视频| 色婷婷激情五月天| 婷婷的激情五月| 激情久久久久久久久久久| 激情九九九九| 色久五月天| 国内精品免费一区二区2009| 久久久国产精品黄毛片| 日日爱678| 热久视频| 久久婷婷五月综合网| 九九婷婷五月天影视| 五月婷精品| 五月丁香 狠狠爱| 天天干天天色天天干| 亚洲精品亚洲人成人网| 9999热在线免费观看| 2023天天日夜夜爽| 三男玩一女三A片| 美臀自射自家人妻| 日韩在线视频中文字幕| 婷婷97碰碰| 十月丁香九月婷婷综合| 国产又粗又大又爽又黄| 91艹人| 五月色婷| 久色网| 色婷婷免费观看| 操碰99| 色综合色色| 99热在线爱| 色婷婷丁香五月| 婷婷日| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 亚洲视频无| 涩五月婷婷| 色婷婷五月综合激情中文字幕| 色五月婷婷婷婷婷婷婷婷婷婷| 亚洲精品99| 在线色婷婷| 丁香五月婷婷六月| 婷婷99丁香| 激情五月天激情综合网| 久操大屁股女人av| 国产午夜精品一区二区| av操B网站| 欧美日本综合网| 色色五月天丁香| 五月丁香大香蕉| 色五月婷婷色| 无码网| 国产精品99久久久久久久女警| 婷婷激情六月中文| 丁香激情五月| 7超碰自拍| 久久婷婷五月综合啪| 噜噜五月天综合| 在线观看欧美| 九九熱最新視頻| 99这里只有精品|v| 婷婷久久网| 69人妻人人澡人人爽久久| 美女丁香五婷婷| 久久天堂女人| 在线观看欧美| AAAA亚洲| 国产精品黑丝| 久久五月丁香婷婷| 综合xx网| 激情国产五月| 九九精品视频在线6| 成人草榴视频| 一本综合丁香日日狠狠色| 大战熟女丰满人妻AV| 久久久久久久久人妻| Www.se.久久| 97碰| 国产99热| 激情婷婷狠狠干综合| 五月婷婷免费在线视频| 99久免费视频| 97热精品| 夜夜操少妇| 琪琪色影音先锋| 五月婷亚洲精品AV天堂| 99久热这里有精品| 99噜噜噜在线播放| 国产一二三四五六七八视频| 九九99热精品| 色区久久| 99精品22| 五月丁香婷婷啪啪网| 丁香六月在线| 色婷婷社区| 久热 91| 色五月色五天色情网| 五月天婷婷色播| 日本婷婷在线| 免费黄网不卡AV| 91大神操美女| 97成人丁香婷婷| 国产午夜精品AV一区二区麻豆| 99热这里只有精品96| 午夜婷婷久久| 亚洲色五月| 99思思热只有在这里看 | 色七七九九| 欧美va视频不用播放器的va视频网| 久草热8精品视频在线观看| 五月婷婷成人| 激情亚洲婷婷| 色情综合| 夜夜爽天天爽| 欧美视频在线观看噜噜| 日韩成人无码人妻| 91九九热| 五月天色五月| 日本久久婷| 五月天天堂久久| se色婷婷视频| 五月天伊人综合| 狠狠干狠狠干| 亚洲无码11| 激情网婷婷婷| 色综合久久88色综合天天99| 嫩草AV久久伊人妇女超级A| 大香蕉婷婷久久| 久久精品亚洲热| 丁香九色不卡aaa| 精品成人在线观看| 狠狠做深爱婷婷久久综合一区| 97久久超视频| 99精品久久| 欧美成人A片AAA片在线播放| 色色色视频| 91丨九色丨国产在线| 99婷婷精品推荐在线视频| 99re在线观看| 五月婷婷丁香俺日污视频| 99精品爱| 97碰碰在线看视频免费| 丁香伊人五月色婷婷五十路| 少妇水多A片太爽了| www.91操| 丁香五月婷婷五月天| 丁香五月在线观看完整版| 五月婷婷色影院| 国产欧美大香蕉一区| 精品一二三区久久AAA片| 久热中文字幕| 丁香婷婷激情| 婷婷丁香人妻天天| A网在线欧洲| www.色婷婷| 久热91精品| 日亚二欧美| 最近免费中文字幕大全高清大全1 色狠狠色噜噜AV天堂五区 | 亚洲色综合| 久久婷婷视频| 开心激情五月天网| 丁香六月激情国产| 99亚洲日韩| 国产在线6| 色婷婷久久久| 欧美精品久| 九一牛视频探花| 久久99免费视频网站| 嫩草极品| www.99.色| 婷婷六月天| www.狠狠| 看片视频在线免费日产在线看| 欧美一区二区三区不卡影视| 日韩欧美四五区| 五月色亭丁香| 婷婷六月综合在线| 成年AAAA色情| 五月天色婷婷av| 五月婷婷和六月| 人妻性爱| www.久久久.com| 久久99免费视频| 日韩黄在免| 国产麻豆视频| 日韩成人综合网| 综合99久久| 日韩亚洲视频| 久99视频| 99内射视频| 91av成人| 欧美亚洲色色色色| 99视频内射三四| 国产成人综合网| 婷婷五月天成人| 伊人网碰碰| 日日撸夜夜操| 五月天婷婷丁香视频| 小视频一区| 日日射天天射| 亚洲小视频免费看| 97久久人人| 99热国产| 中美日韩成人在线| 日韩免费乱轮网站| 91啪啪视频| 丁香色六月婷婷| 97干婷婷五月天| 我爱宗和色| 欧洲激情五月天婷婷| 影音先锋 91工厂| 五月花婷婷最新| 能直接看的AV网站| 天天摸日日舔狠狠添婷婷婷| 懂色AⅤ| 中文久久婷婷| 婷婷人人操| 五月天伊人| 五月天另类激情在线| 成人中文网| 国内在线99视频| 婷婷激情九月| 丁香六月色婷婷欧美| 这里只有精品视频222| 5月婷婷性视频| 五月综合无码| 成人丁香五月| 俺去也在线官网| 五月综合婷婷久久在线| 99激情视频| 丁香 亚洲 久久| 97人人射| 五月综合激情| 亚洲国产成人在线| 免费看欧美成人A片无码| 婷婷成人av| 99操| 日本在线wwww| 丁香五月色| 性色欲情 网站| 五月噜噜噜色综合| 色婷婷五月天天天干天天操天天爽 | 日韩有码一区| 久久92| 五月婷婷xxx| 亚洲网站在线鸭子av| 五月婷婷丁香色播网| 婷婷五月天综合色| 久久99婷婷| 91无码色色| 99热在线资源| 色婷在线视频| 先锋资源婷婷| 人妻操逼| 天天爱综合网| 亚洲AV网址| 在线18av | www.99热在线观看| 五月婷婷伦理| 久久婷婷综合五月天| 91九色首页| 九九色逼| 亚洲色频| 人妻六月天| 深爱五月综合网| 怡红院院在线导航网 | 欧美色六月婷婷| 婷婷深爱五月| 亚洲精品字幕在线观看| 久操干| 99热这里只有精品50| 亚洲色啪| 99熟女| 婷婷五月天国产传媒| 精品婷婷| 最新丁香六月婷婷| www.yw尤物| 婷婷五月色图| 亚洲五月综合色播| 人人爱操| 一起草av在线观看| 色五月婷婷婷婷| 丁香午夜天| 青草青草视频2免费观看| 91免费看片| 开心五月色婷| 五月综合久久| WWW.五月com| www.精品99| 色狠狠色噜噜AV天堂五区消防| 九九这里只有精品| 激情性爱五月| 丁香五月婷婷亚洲综合精品在线| 91黄操| 秋霞少妇毛片| 狠狠色五月| 开心五月婷婷激情| 中字幕视频在线永久在线观看免费| 51成人| 狠狠狠五月婷婷六月丁香| 亚洲激情综合| 久热黄色| 噜噜国产| 成人国产网| caop在线视频| 激情亚洲婷婷六月| 激情五月婷婷| 操逼视频网址| 激情五月婷婷色综合| 婷婷五月激情小说| 91九色在线观看免费| 狠狠狠五月婷婷六月丁香| 婷婷亚洲综合| 99re视频在线精品| 成人五月天色天堂| 99久久综合| 一级性感毛片| 九九热只有这里是精品| 天天爽天天摸| 国产日比| 综合天天综合| 91碰超| 九九爱激情| 人人添人人| 中文字幕日产A片在线看| 中文精品在| 五月激情婷婷开心| 欧美日韩二区在线| 天天模,夜夜模夜夜爽| 久操大香蕉| 色碰碰| 91人妻视频| 激情五月天婷婷| 九九色大香蕉| 亚洲性图一区二区| 99热只有| 婷婷欧美激情综合| 激情五月天天狠狠久久| 人妻第九页| 777色婷婷爱五月| 思思热99热| 91狠狠色丁香婷婷综合久久精品| 天天日,天天干,天天操| 色吊丝99| 99热这里只有在线播放| 色六月婷婷| 婷婷五月天黄色| 五月天激情国产综合婷婷| 午夜日韩久久久网站| 婷婷五月天色综合| 20253AV| 人妻尝试久久久久久久久久久久| 另类小说色婷婷| 夜夜涩涩涩| 五月丁香啪啪啪综合网| 玖玖在线| 色婷婷网| 色99在线视频| 欧美六月| 激情啪啪五月| 色色五月丁香婷婷| 色中色综合| 97人人妻人人艹| 五月在在观看| 99ER热精品视频| 色欲资源网| 一级黄在线| 激情性五月天免费小说视频| 五月婷免费视频| 五月婷婷综合久久| 久久五月婷婷电影| 色99视频| 日本无va视频| 一区二区无码视频| 在线观看玖玖资源免费观看| 亚洲精品又粗又大又爽A片| Av性爱网站| 亭亭五月色男人| 大香网伊人久久综合| 色五月天在线观看| 色婷久久| 九九色热| 丁香五月电影| 成片免费观看视频大全| 五月天激情小说婷婷基地| 九九视频在线观看视频6| 五月婷婷熟女| 涩涩激情五月婷婷| se99视频| 美女激情综合| 91啪啪视频| 色五月天综合| 夜色.cnm| 婷婷六月激情在线视频| 婷婷干六月综合旧址| 高清视频一区| mmm1717.6dbm人人爱人人操| 99色嘟嘟精品网站| 99精品在线观看视频| 狼人婷婷综合| 五月婷成人| 激情五月婷婷| 色狠狠综合网| 激情五月四色| 碰97久久| 9精品在线| 天天干天天拍| 丁香六月婷婷色XXXX| 丁香婷婷激情四射五月| 五月婷婷啪啪啪| 婷婷综合网在线| 人人干人人操外国| 免费看欧美成人A片无码| 人。妻久久| 激情人妻综合| 色五月激情| 婷婷五月天777| 亚州综合色| 99热这里只有精品9| www.婷婷五月| 久久婷网| 伊人99热| 婷婷深爱网| 九九热av| 精品热青草| 婷婷五月天激情小说| 亚洲免费电影2| 99热久久这里只有精品| 天天色,天天日,天天做| 在线观看熟女少妇| 无码激情AAAAA片-区区| 超碰国产AV| 六月婷婷六月天天在线免费| 国产婷婷五月| 欧美精品99久久久| 伊人五月天| 丁香五月影视| 日本大人久久| 色播播五月天| 2023天天日夜夜爽| 97色片| 一本狠婷婷综合| 天天cha成人综合网| 97婷婷狠狠| 男人的天堂99| 777精品久无码人妻蜜桃| 天天色综合网吨吧| 亚洲五月丁香综合网| 99热第一页| 婷婷五月亚洲综合| 欧美黄色AA片哗啦啦啦|