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
婷婷成人综合五月| 色五月色图| 欧洲色区| 狠狠草天天草| 亚洲黄色网址| 天天摸天天舔| 爱射综合| 色色欧美色色色| 激情婷婷五月基地| 99九九精品视频推荐| 26uuu亚洲欧美| 深夜婷婷 丁香| 五月丁香另类网| 欧美日韩国产一二区| 九九无码视屏| 色五婷婷| 色欲一区二区三区精品A片| www.超碰在线| 深爱激情五月天| 第四色色六月色综合| 天天影院色| 五月久久网| 日本美女上人| 99色色热| 五月天婷婷成人网| 五月婷婷亚洲| 狠狠色五月激情| 国产精品日本一区二区在线播放| 婷婷五月天六月丁香| 久久婷婷五月丁香网| 狠狠色噜噜狠狠亚洲A∨| 第五色色色婷婷| 91婷婷丁香| 99热66| 色久婷婷网| 91.www综合| 爱婷婷久久视频| 一起草日本| 人人摸人人澡人人| 激情网第四色| 久9无码视频| 超碰狠狠操| 亚洲婷婷月丁香五月| 成人丁香婷婷| 七七九色| 亚洲男人的天堂婷婷色五月| 性视频久久| 激情五月综合| 婷婷五月天亚洲综合| 综合欧美五月婷婷| 色五月自偷自拍婷婷婷婷| 五月婷婷六月天| 色五月天综合| 亚洲综合在线播放| 国产乱妇无乱码大黄AA片| 色五月在线播放| 性色播| 久久久久久9热不雅视频| 超碰人人99| 97人人射| 久久伊人婷| 五月综合色| 天天色综合综合| 91精品久久久久久久| 色婷婷XXXXX| 五月婷婷 婷婷五月 一区二区 久久久 | 人人人人人人人人人草| 色呦呦美女| 欧美叉叉叉BBB网站| 久久久久丁香婷婷五月天| 色情五月天小说| 六月婷欧美丁香综合| 啪啪综合网| 激情五月天激情综合网| 精品无码av丁香五月激情| 青青草青青草五月天| 狠狠爱五月婷婷| 久久五月天黄色五月天色网址| 久久图色4| 2018国产大陆天天弄| 欧美日韩成人在线网站| 亚洲色爱综合| 色播丁香婷婷五月激情| 九色自拍| 丁香五月婷婷色情综合| 第四色网婷婷| 艹色18p| 日日夜夜狠狠| 婷婷五月天综合AV| 人妻啪啪啪| 性爱激情五月| www.超碰| 欧美色五月| 夜夜综合色| 99热这里只有精品亚洲| 五月激情婷婷图片基地| 欧美精品99久久久| 99视频久久| 综合久久六月| 激情婷婷视频在线| 丁香六月婷婷开心婷婷网| 精品国产乱码久久久久夜深人妻| 婷婷综合激情| 日韩成人综合网| 五月婷婷丁香俺日污视频| 婷婷五月AA五月在线| 在线网黄| 亚洲最大在线| 六月婷婷综合| 91vip在线观看| AV在线不卡网站| 99精彩视频| 五月亭亭狠狠| 五月之婷婷| 激情五月综亚网| 丁香五月亚洲激情婷婷射| 一起草av在线观看| 97se视频在线| 99操中文视频| 成人日韩欧美| 噜综合| 亚洲精品视频在线播放| 久色五月天| 美国不卡视频| 伊人狠狠丁香婷婷综合尤物| 小色小蛇伊人婷婷色香五月| 日韩一级A片黄色| 2016日日夜夜操| 日本在线视频播放91| 开心五月深爱五月丁香五月激情五月| 美女美女美女三级色天天天天天| 人人爽欧美婷婷久久久五月丁香| 色综合激情| 丁香五月a| 久久免费视频62| 狠狠干 狠狠操| 色黑鬼导航| 婷婷五月天网址| 国产欧美熟妇另类久久久| 色色色色色色色色五月先| 亚洲婷婷久久综合| 亚洲成人在线播放| 无码少妇高潮喷水A片免费| 思思99热| 丁香五月婷婷综合激情啪啪啪| 丁香婷婷五月综合欧美另类| 麻豆雪千夏| 五月丁香欧美综合| 丁香婷婷精品视频| 色色色色色色97| 丁香六月啪啪啪| 色婷婷狠狠爱| 4399在线观看免费高清电视剧| 欧日韩AV| 99热这里只有精品国产首页| 无码动漫av| WWW.99热| 丁香五月婷婷骚视屏| 九九这里精品| 久久99热免费最新版| 五月婷婷激情中文字幕| 色婷婷在线视频| 免费观看全黄做爰的视频| 在线另类视频| 欧美成人AAA片一区国产精品| 日本操B视频| 在线看片h站| 久久99草五月婷婷| 丁香六月婷婷开心| 婷婷五月天激情综合深爱| 99热在线观看精品免费| 思思热视频在线观看| 国产XXXX搡XXXXX搡麻豆| 国产精品久久久久久久久久久久| 丁香五月性爱爱五月| 日韩精品999| 日韩啪啪视频| 激情 婷婷 丁香五月天| 亚洲秘 无码一区二区三区妃光/1| 日本啪啪天堂| 狠狠爱青青草| 大香蕉网站,大香蕉综合| 色噜噜婷婷| 五月丁香婷婷激情| 午夜激情婷婷| 亚洲日韩操B| 色婷婷色| 99这里只有精品在线| 99ri视频在线观看| www.婷婷,com| 丁香五月丁香伊人| 亚洲视频二区| 五月丁香婷婷狠狠操| 182TV亚洲| 五月婷婷亚洲天堂激情在线| 五月丁香婷婷基地| 国产偷人爽久久久久久老妇APP| 97人人操com| 婷婷五月天综合激情| 视色网在线播放| 婷婷综合五月| AV大片在线播放| 性高潮久久久久久-九九九九九九九九九九热-成人AV | 99re思思热久久| j五月香在线| 久99热在线观看| 丁六月激情| 九九热精品视频在线观看| 婷婷五月花| 玖久久网站| 色婷婷六月天| 五月丁香六月婷婷国产视频| 五月网站| 狠狠爱综合| 国产精品久久久60086| 成人开心五月天| 91性高潮久久久久久久久| 一区二区传媒视频| 欧美日韩国产成人在线| 久久6这里只有精品| 天天插,天天射| 午夜少妇在线观看视频| www久| 丁香五月天天高清在线| 三人荫蒂添的好舒服A片| 99久久97久久欧美综合网| 操嫩逼电影| 天天干天天做| 天堂在线婷婷| 成人视频婷婷| 久久综合五月情| 激情丁香五月婷| 久久久久久久合一狠狠做深爱| 久久综合99| 激情六月天婷婷| 麻豆123区| 久久免费精彩视频| 五月丁香啪啪网| 久久人妻www| 免费无码毛片一区二区A片| 色五月婷婷AV| 日日夜夜爽| 99精品偷自拍| 天天情天天狠天天透| 色婷婷丁香五月| 国产干逼片| 99婷婷| 狠狠色噜噜狠狠狠狠综合| 日本44久久在线| 蜜乳.comcom| 六月丁香久久| 色婷婷中文在线| 超碰A V在线| 提提热五月天婷婷| 六月丁香激情网| 色日本综合| 可以免费看的av网站| 国外亚洲成AV人片在线观看| 婷婷丁香五另类网站| 亚洲激情综合| 五月丁香婷婷无码中文| 国产激情综合五月久久| 五婷婷六月合| 超pen个人视频97| 久久激情综合| 婷婷丁香熟女| 这里只有精品网站| 亚洲超级碰| 性色五月天| 1囯产午夜仑鲁鲁| 色婷婷五月视频| 人妻视频一区而且二区| 人人爽欧美婷婷久久久五月丁香| 99色嘟嘟精品网站| 丁香五月六月综合欧美| 日熟女| 婷婷五月天天爽| 99色久| 综合色色婷婷| 99ri视频在线观看| 日韩aaa| 久久亚洲天堂| 五月丁香黄色视频| 午夜天天精品视频| 婷婷五月天日本无码| 色九九中文字幕| 99热这里只有精品在线播放| 亚洲精品在线视频| 六月综合婷婷开心伊人| 综合视频五月| 97干在线看| 亚洲激情综合免费| 亚洲影院婷婷色| 天天日天天草| 大香蕉手机视频| 青青草成人网| 俺去也在线www色官网| 色综合网页| 成年人最刺激的综合网| 九九综合网色全集| 亚洲中文乱字字幕在线永久| 久久婷婷欧美| 91久久九色| 91丨九色丨丰满人妖| 九九色影视| 在线只有精品| 亚美欧色影院| 另类视频一区| AA片在线观看视频在线播放| 五月天婷婷小说| 97啪啪| 日韩人妻无码专区| 亚洲色亚洲精品| 久久婷婷五月综合啪| 九月激情网| 婷婷五月天激情网址| 人妻体体内射精一区二区| 色五月大| 亚洲99热| 色婷婷AV久久久久久久| 婷婷爱在线观看| 久草丁香婷婷1024| 九九综合| 丁香5月婷婷| 亚洲网站999| 99热思思| 亚洲视频操| 激情精品久久| 先锋资源婷婷| 爱99干99| 99ri在线| 狠狠干思思热| 久久婷婷五月天| 亚洲激情四射色| 67194中文字幕| 久久AAAA片一区二区| 五月婷婷激情啪啪| 99这里只有精品|v| 综合图片色色| 五月丁香综合啪啪対白| 久久久久亚洲AV成人无码电影| 五月天色影院| 亚洲视频99| 婷婷色色狠狠| 干一干xxxx| 亚洲乱码日产精品BD| 99这里有精品视频| 亚洲噜色| 亚洲色色图片| 色色丁香婷婷综合| 久久日九九| 99热精品在线| 秋霞成人毛片一级A片| 蜜乳9188| 成人一区在线观看| 色狠狠色综合久久久绯色aⅴ影视| 激情丁香五月| 五月天精品视频| 激情五月天综合网站网站网站| 九九久久污| 天天日天天色| 亚洲欧美成人在线| 狠狠操狠狠插| 五月色网| 久久婷婷欧美| 婷五月丁香| 综激情网| 综合久久久婷| 五月婷婷之综合激情在线| 丁香五月电影| 丁香五月色色| 色婷婷亚洲六月婷婷中文字幕| 丁香六月婷月91婷月| www.com任你艹| 日韩限制级大尺度黑料泄密大尺度视频一区二区在线观看 | 香蕉久久国产AV一区二区| 九九干视频| 99热这里只有精品最新网址| 亚州激情在线视频| 5月婷婷综合| www.色99| 中文字幕在线日亚州9| 橾逼网| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 99热九九这里只有精品| www99在线观看视频| 伊人超碰在线| 久久A极片| 色色色综合| 日韩黄黄| 五月花激情| 伊人网啪啪| 亚洲精品婷婷| 狠狠狠狠狠| 丁香婷婷色五月| 丁香五月婷婷激情123| 丁香五月天色综合| 亚洲午夜视频| 97成人在线视频精品| 狠狠色噜噜狠狠狠狠狠色综合久久| 99网| 少妇水多A片太爽了| 天天做天天爱天天爽| 九色七七| 五月婷婷六月天| 天天搡日日搡aaaaⅩ| 99热欧美在线观看| 日本本土色网第一区| 激情四射五月天偷偷看婷婷| 天天做天天视天天谢| jiqingtaose五月天| 丁香六月开心| 婷婷免费成人视频| 亚洲综合婷婷五月| 九九草热在线观看| 99热最新网址| 日日夜夜天天综合| 天天日天天舔| 色色丁香婷婷| 婷婷亚洲综合| 香蕉久久国产AV一区二区| 国产精品久久欧美久久一区| 思思久久久婷婷| 人妻视频一区而且二区| 五月丁香激情综合网官网| 伊人九九九久| 日本综合色图| 久久六月天| 婷婷成人视频| 香蕉婷婷| 成人精品视频99在线观看免费| 成人无码精品1区2区3区免费看| 婷婷五月天色| 中文字幕 中文字幕明步| 丁香五月婷婷啪啪视频| 九月婷婷综合网| 色婷婷av在线| 色综合久久无码| 日韩成人无码片| 丁香五月婷婷99| 啪色综合| 丁香丁香激情网| 欧美毛片www| 久久99成人性爱高清视频| 五月丁六月香| 亚洲丁香花色| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | www.久久久久| 丁香六月AV| 亚洲尤物在线| 播五月开心婷婷欧美综合| 激情婷婷色色| 伊人丁香在线| 五月天综合激情网| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 99热无码首页| 先锋资源婷婷| 精国产品一区二区三区A片| 四色五月婷婷| 超碰免费人人| 开心激情色婷婷五月天| 五月婷亚洲精品| 五月天啪啪视频| 激情五月丁香五月| 综合久久十三| 在线播放成人网站| 色综合综合网| 色情婷婷| 五月天激情黄色网址| 婷婷色五月激情| 五月婷婷六月丁香综合| 开心婷婷中文字慕| 这里只有精品9| 久婷| 亚洲殴洲精品Av在线| 在线色色| 婷婷亚洲欧美丁香五月| 亚洲久久激情| 五月婷婷9| 婷婷第六色| 99无码黄色视频| 婷婷六月色| 丁香色情五月综合激情| 色欲Av五月天| 狼人婷婷久久| 天天做天天爱| 金品在线视频99| 日本狠狠爽| 综合啪啪| 丰满少妇猛烈A片免费看观看| 婷婷综合网性| 日日噜狠狠色综合久久| 日日操夜夜爽| 91狠狠色丁香婷婷综合久久精品| 欧美性爱专区| 色狠狠999综合网| 五月天婷婷在线视频| 色婷婷影院| 激情久久综合网| 六月婷婷狠狠色在线观看| 很很干夜夜干| 五月Huangsewang| 精品久久99码| 亚洲va综合va国产va中文| 亚洲视频一区| 99热九九这里只有精品| 婷婷欧美激情| 色婷婷AV五月天| 日日操夜夜爽| 色欲久久久久久综合网综合网| 久久66er久久| 超碰免费大香蕉| 91在线精品一区二区| 五月天婷婷午夜丁香| 色女人久久| 狠狠色综合无线观看| 婷婷丁香午夜综合影视| 综合啪啪| 成人 AV播放| 国产26uuu视频| 精品人妻一区二区| 丁香五月婷婷啪| 熟女激情五月天| 97爱艹婷婷开心丁香激情综合| 98毛片| 六月婷婷色色色| 五月婷中文娱乐综合| 久久久区区一久久久久久| 99热精品无码| 99精品热视频| www.91在线观看| 婷婷激情五月天桃花网| 秋霞三及片| 亚洲热热视频| 99热综合| 色之综合网| 综合久| 啪啪综合| 狠狠穞A片一區二區三區| 丁香五月婷婷五月基地| 亚洲色色香蕉| 国产精品成人网站| 人。妻久久| 男同色五月开心五月激情五月| 亚洲激情99| 人妻操逼视频| 看黄的网站18禁| 婷婷五月天基地| 狠狠色丁香五月婷巨| 夜夜夜夜夜操| 亚洲成人色五月婷婷综合| 综合五月天| 九九99在线观看视频| 思思热在线视频精品| 亚洲另类婷婷综合| 久久久久久综合88| 99视频色在线观看| 另类图片五月天| 性 色 婷婷| 91蜜桃婷婷狠狠久久综合9色| 丁香五月激情天AV无码| 伊人在线视频| 久久久久久久久久人妻| 丁香五月黄色| 超碰人人操在线| 热99国产精品| 狠狠操狠狠插| 婷婷在线午夜| 亚洲视频码| 天天天天天天操| 99热丁香| 99爱这里只有精品免费视频| 欧美色六月婷婷| 潘金莲AAAAAAAAAA| 天天爱天天吃狠天天透| 大香蕉精品视频| 五月丁香激情综合| 亚洲乱码成人| 99热99草97| 五月综合丁香婷婷| 色噜噜伊人| 亚洲网综合在线| 俺也去在线视频 | 综合婷婷| 午夜做爱影院| aaa久久| 99热久| 伊人色综合影院视频| 直接看的av| 五月色婷婷AV| 黄色成人AV在线| 亚洲六月色婷婷| WWW.五月天9999| 色婷婷8| 久婷五月| 免费亚洲婷婷中文字幕| 国产精品18久久久| 久久丁香五月婷| 久久刺激网| 丁香五月成人| www.99热最新视频8| 少妇伦子伦精品无吗| 国产婷婷色综合AV蜜臀AV| 伊人五月婷婷国产视频| 91碰碰碰| 久色国产| 亚洲无线视频| 免费三级黄色| 婷婷五月天久久| 最新五月天婷婷影| 久久精品婷婷五月丁香| 色99在线| 激情五月综合网最新 | 久久婷婷成人视频| 99色.com| 国产古装妇女野外A片| 五月天婷婷一起草| 五月丁香综合久久夜夜| 九热视频| 激情av在线| 五月天开心色情网| 任你日视频| 五月天社区婷婷| 91九色视频| 成 久久| 五月丁香综合成人社区| 99热网站| 五月婷婷中文字幕| 激情婷婷五月天日本系列| 99热超碰在线| 91在线资源| 婷婷伊人綜合中文字幕小说| 久草五月天| 婷婷五月亚洲激情| 五月丁香激情综合啪啪| 中国女人内射6XXXXX| 婷婷操超碰| 久久五月天精品视频| 五月天基地| 九九9久九9国产视频| 激情综合婷婷| 五月婷在线观看| 天天操天天操天天操| 大香蕉啪啪| 人妻Av在线| 超碰v| 五月婷婷六月丁香综合在线| 五月丁香婷婷三级| 人妻AV在线| 丁香婷婷五月天成人| 五月激情小说| 五月天婷婷丁香| 超碰97干| 欧美色色色| 激情桃色网| 九九99精品视频| 熟妇内谢69XXXXXA片| 天天日天天爽| 夜夜爱网站| 五月精品免费XXX| 99热www.| 久久网站免费亚洲| 久99久视频| 99啪啪骑| 五月天丁香啪啪啪啪| 99热在线播放| 丁香六月婷婷| 殴美综合激情五月天免费视频| 99久久综合精品五月天| 激情五月亚洲综合网| 激情综合区| 91人人澡人人爽人人看| 成人短视频在线免费观看| 日本丰满久久| 色.五月综合网| 黄桃AV无码免费一区二区三区| 色五月天在线观看| 婷婷五月激情丁香| 丁香五月成人社区| 天天干天干| 玖玖资源站中文| 79色色色色| 亚洲无码成人性爰网| 丁香六月 婷婷六月| 无码四色色色| 激情五月深爱五月| 开心五月激情| eeuss人妻| 五月开心婷婷网| 97天堂| 狠狠干综合| 大香蕉五月天婷婷丁香91| 九九99热| 久久综合干| 26UUU欧美激情一区二区| 黄色片精品| 99色色| 狠狠综合网| 五月天亚洲图片婷婷| 桃色五月婷婷| 很很操很很操| 五月色婷婷AV| 婷婷五月深爱五月| 美女天天爽| 丁香五月激情在线| 色婷婷a三区麻| 狠色色狠网| 激情五月丁香激情综合网| 色色亚卅| 日本成人噜噜噜| 国产成人高清| 五月婷婷色五月| 国产精品99久久久久久久女警| 日韩综合成人| 六月婷婷最新网址| 丁香五月www| 亚洲五月激情| 人人草成人视频| 综合五月亭亭9| www.五月天社区| 色欲天天综合| 综合激情在线| www.婷婷五月| 婷婷综合久久| 六月婷婷毛片| 综合在线观看99| 视频久久9| 久9无码视频| 久久这里只有精彩| 久久网思思| 色婷婷五月天偷拍| 色婷婷五月天久久| 99久久综合网| 无码少妇高潮喷水A片免费| Caoub青青超碰| 五月天婷婷免费| 777久久综合视频| 人人看人人草人人摸| 欧美激情VA永久在线播放| 九九色综合| 国产欧美日韩综合精品一区二区 | 人妻久久久久久久久妻久久久久久久久| 综合色天天| 久久久人妻系列| 色色激情网| 色色国产| 五月久久| 色婷婷五月天天天天天| 这里只有精品69| 免费婷婷| 色色色九九九五月婷婷| 久久激情五月婷婷| 精品人妻久久久久久久| 狠狠操狠狠| 性爱综合网| 9九九久久精品无码专区| 色你久久| 五月天伊人手机在线播放AV| 婷婷的99视频网站| 日本三级第一页| 91操在线| 婷婷另类开心| 丁香婷在线| 久久久这里有精品| 五月天激情日色在线| 91人人操人人爱| 激情婷婷另类| 综合网激情| 国产亚洲在线| 五月花激情网| 99色热视频| 可以看的AV| 99激情| 97热这里精品在线视频| 99爱精品视频| 91日韩在线| 超碰资源在线| 午夜婷婷五月天| 婷婷久久综合久| 色婷婷在线电影| 九九热精品| 五月丁香六月欧美| www.激情| 91主播在线| mmm1717.6dbm人人爱人人操| 色99色| 天天爱天天天射AV| 思思久ren热| 超碰人人操在线| 久久9热综合| 五月丁香久人妻中文| 五月丁香激情综合网官网| 九九热av| 色播婷婷大香蕉| 嫩草AV久久伊人妇女超级A| 日韩操逼大片| 少妇达人正片在线播放_ikun_福利吧| 日本欧美成人片AAAA| 亚洲丁香花色| 色你久久| 午夜成人av在线| 性 色 婷婷| 天天插天天插天天插天天插 | 五月丁香色五月| 26uuu| 欧美日韩国产一区| 婷婷六月色情| 丁香五月天啪啪| www.99日本| 人妻啪啪啪| 嫩草视频。| 色五月五月丁香| 成人无码精品1区2区3区免费看| 色噜噜综合网| 欧美激情综合色综合啪啪五月| 综合福利网| 欧美天天五月丁香免费观看| 思思精品视频| 99小视频在线| 婷婷五月天成人网| 久久99婷婷| 五月玖玖| 亚洲av无码影院| 99re视频精品| 日本高清不卡免费一区二区三区| 啪啪色激情五月天| 久热这里只有精品99re| 日本超碰在线| 成人va视频| 激情av网| 天天色天天操天天射| 爱iii做iiii日日| site:ornaments52.com| 九九色婷婷五月天| 亚洲99激情| 无码99| 丁香六月婷婷高清| 少妇性按摩无码中文A片| 天天肏天天插| 91人在线观看| 婷婷之六月丁香| 欧美电影在线观看| 久久视频婷婷视频| 4399无码视频| 超碰在线91| 久久9精品视频| www久久99| av在线观看免费| 人妻中文在线| 天天操夜夜啊 | 国产操碰| 亚洲色热| 五月丁香六月婷婷免费视频| 久草婷婷在线| 99热精品在线免费观看| 亚洲最大视频网站| 色婷婷丁香五月| 狠狠狠狠狠狠色| 国产白丝在线一区| 色丁香五月天射婷婷爱婷婷| 99在线精品免费视频| 色五月视频无码播放| 伊人九九68| 亚洲精品婷婷| 99操久久| 五月色丁香| 婷婷五月天色综合| www.lchjjc.com| 五月婷婷丁香俺日污视频| 丁香五月综合激情性爱| 色五月婷婷操逼| 午夜大香蕉| 涩五月婷婷| 先锋av性爱成人电影| 久久精品A片777777| 婷婷精品综合| 91操在线| 五月天综合激情网| 丁香五月天天| 69天堂99| 97久久草草超级碰碰碰| 99爱欧美| 啪啪日本欧美| 狠狠色综合精品视频在线| 久久99久久99精品免观看粉嫩| 丁香六月色婷婷| 亚洲综合色丁香五月天| 激情婷婷视频在线| 丁香色五月天| 激情的五月| 99视频在线观看视频| 99热综合| 婷婷五月天综合中文| 国产ava| 色九九综合| av五月天婷婷丁香| 久久九九网| 两性婷婷丁香五月| 99噜噜| 九九综合久久丁香婷婷,开心激情综合网| 青青草大香| 人人综合久| 婷婷激情五月天色| 中文在线视频久9| 开心激情婷婷| 青青草护士中出内射-欧美电影在线天堂新版 | 在线综合网| 99在线精品观看99| 99热色精品| 色五月欧美| 狠狠色噜噜狠狠狠狠综合| 极品人妻VIDEOSSS人妻| 日本色色视频| 婷婷五月丁香综合激情| 综合激情在线视频| 久久五月天精品视频| 婷婷色网站| 天天夜夜操| 亚洲综人色综网| 偷拍99在线视频观看| 六月丁香综合| 五月丁香久久丝袜啪啪| 日韩啪啪视频| 婷婷五月天丁香久久| 丁香五月综合婷婷| 99愛国产| 一级二级色大片| 99在线小视频| 在线综合网| 亚洲综合色丁香婷婷六月| 99re6在线视频精品免费| 五月丁香成年黄色| 五月天精品综合在线| 色欲九区| 9999综合99综合人| 精品成人无码A片观看香草视频| 五月婷婷激情综合| 在线色五月婷婷| 综合色播| 丁香婷婷综合影院| 欧美性做爰大片免费看办公室| 99九九视频| 9久热这里只有精品视频| www.五月婷婷久久.com| 色综合网页| 俺去也五月| 亚洲激情在线| 九九精品亚洲| 激情丁香图片| 婷婷五月丁香激情色情| 97干干干丁香| 91免费看片| 少妇搡BBBB搡BBB搡毛茸茸 | 色狠狠色噜噜AV天堂五区| 九九综合网| 丁香六月婷婷激情综合| 色婷婷婷婷五月天| 26uuu欧美| 日本美女天天日天天爽| 成人中文网| 丁香五月综合| 丁香五月婷婷俺也要去| 色色综合色视频| 99热9999| 黑人无码一区| 亚洲视频在线观看区| 日本操B视频在线观看| 日韩啪啪网| 中文字幕综合| 婷婷的色色五月天| 五月天婷婷影院影院观看| 亚洲VA在线| 夜夜夜叫天天天做| www久久99com| 五月丁香网视频| 色99在线| 97自拍视频在线| 综合久久综合久久| 伊人玖玖精品| 久久婷婷人人| 免费看片在线观看| 97亚洲精品| 色伊人91在线视频| www.色99| 香蕉综合网| 超碰久热| 人人摸人人搞| 色色射| 99久久综合| 天天干夜夜想| 国产精品美女| 超碰超碰在线| 99色色网| 青青草tp| 丁香五月天堂| 天天插天天插天天插天天插 | 红桃91人妻爽人妻爽| 五月婷婷伊| 婷婷大香焦| 丁香五月婷婷色五月| 欧在线一区| 色久丁香五| 五月天丁香成人社| 欧洲色色| 狠狠狠狠操| 九色在线五月婷婷网址| 激情亚洲网| 99在线免费观看| 99在线视频在线观看| 色五月成人在线| 丁香五月天在线| 色色色色色色色色色色色色色色,网站| 久久久久思思热| 五月婷婷六月综合| 五月天色影院| 丁香婷婷九月| 激情色播| 九九热在线视频| 99燥99日| 九色亚洲| 538任你爽视频不一样的| 欧洲亚洲免费视频9| 操逼六区| 成人五月天在线观看| 538久久| 丁香成人综合| 九九免费精品| 91九色熟女| 五月婷婷丁香| 曰韩少妇内射免费播放| 国产av第一专区| 中文字幕五月久久婷婷| 五月天婷婷av| 深爱婷婷色| 99色色色色| 九九热re99re6在线精品| www.天天日| 色色色色综合网| 中文字幕在线播放视频| 欧美在线骚货| 亚洲激情免费视频观看| 色狠狠色噜噜噜a天堂一区| 激情五月丁香婷婷| AV操操操| 久热99视频在线观看| 青青草婷婷久久| 免费黄色视频网址| 热的无码综合视频| 五月天婷婷AV| 乱精品一区字幕二区| www.婷婷五月天,com| 九月婷婷久久久| 五月天婷亚洲综合在线嫩草网| 日本成人噜噜噜噜噜| 五月激情六月丁香| 五月丁香综合啪啪| 中文字幕综合色| 久久99精品久久久久久噜噜| 99re热| 五月深爱激情网| 婷婷综合网| 波多野结衣不卡AV| 五月丁香婷婷在线| 亚洲中文乱字字幕线在永久| 五月天婷婷爱| 色5月婷婷| www.com任你艹| 色五月久久成人婷婷| 激情五月丁香亭亭| 婷婷五月天激情网| 91久久精品无码一区二区三区| 激情五月天小说视频| 色色色999| 五月色激情综合网| 五月香蕉综合| 97婷婷狠狠| 6 9式性爱视频在线播放| 丁香色六月| 可以免费观看的AV| 国产又色又爽又黄又免费| 182TV大香蕉| 婷婷播播五月天| 久热91| 狠狠色狠狠色综合日日91| 99久久66| 偷拍91九色| 色色色色色色网站| 97成人超碰免| 蜜臀九九九九| 99热免费在线| 丁香五月婷婷婷桃花影院| 九九aV| 五月天婷婷在线播放| 99热这里只有精品5| 丁香色五月AV在线| 影音先锋 91工厂| 婷婷射图| 激情国产五月| 亚洲精品操一操、噜一噜、摸一摸、爽 | av五月天婷婷丁香| 人人干av| 激情国产五月| 精品视频99看在线视频| 99久久婷| 综合久久十| 午夜丁香六月婷| 精品成人a v无码内射| 国产毛片欧美毛片久久久| 99ri精品| 99热99美国在线观看| 99情色五月天| www.天天色综合| 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… | 精品51XX| 大地资源色婷婷视频在线| 91日韩在线| 99色干| 哇嘎成人久久| 男人的天堂五月丁香| 99在线精品免费视频| 超碰碰碰碰| 殴美日比视频| 综合99久久天天综合| 五月丁香网站在线播放| 99精品在线| 婷婷五月六月| 欧美三级韩国三级日本三斤| 五月婷婷久久大香蕉| 午夜丁香六月婷| 五月婷婷成人| 三级片AAA久久久AAA久久久AAA | 天天操天天日天天操| 西西4r午夜剧场| 琪琪理论片| 欧美成人精品三区综合A片| 亚洲激情综| 欧州色色| 久草婷婷网| 欧美va精品va老师va| 五月天激情综合网| 99色性爰网络| 香蕉色色网| 亚洲va欧美va国产综合久久久| 无码人妻精品一区二区蜜桃色欲| 中文字幕乱轮| 四色永久成人网站| 91人妻人人操人人爽| 99操免费视频| 亚洲另类av| 女高怪谈在线观看| 狠狠狠狠狠草| 久久R激情| 26uuuuuuuu国产| 色情婷婷久久五月天| 色亚洲激情| 97色视频网| 爱婷婷都市激情| 超碰在线9| 日韩综合天堂| 夜夜夜天天操| 91超级碰| 天天做天天爰天天爽天天无遮挡| 香蕉人妻AV久久久久天天| www.五月天婷婷姐姐| 激情五月天久久| 丁香婷婷激情网站| 超碰AV成人| 91无码高清| 大香蕉五月天婷婷| 天天日天天操心| 九月影院義母在线播放| 五月综合色| 亚洲激情免费久久| 成人精品视频99在线观看免费| 99热这里只有精品无码| 成人片在线免费看| 这里只有精品网| 操日视频| 丁香五月天啪啪| yazhouzonghesese| 奇米色大香蕉| 九九成人视频| 99激情在线| 狠狠干五月天| 中文aV网| 婷婷丁香五月基地| 五月情婷婷| 中文字幕AV网址| 婷婷五月激情综合| 六月激情婷婷综合| 天天久久九九| 亚洲啪啪啪啪| 亚洲久久视频| 欧美三级韩国三级日本三斤| 婷婷深爱五月天| 色色婷| 国产精品久久久久久久久久 | 91操色| 嫩草AV久久伊人妇女超级A| 五月天影院| xx久久| 99自拍视频| 5月婷婷六月丁香| 99re青青草| 99久在线精品| 色婷婷在线综合色播网| 九九精品丁香花| 91碰| 色五月天中文字幕| 久久精品日| 99热亚洲精品| www.五月激情红色| 先锋资源婷婷| 青青草激情网| 中文国产五月天| 伊人狠狠丁香婷婷综合尤物| 色婷婷激情| 久久婷婷激情视频| 婷婷综合网站| 五月婷婷丁香91| 六月婷久久| 亚洲mm色| 51成人| 三人荫蒂添的好舒服A片| 9l视频自拍九色9l视频在线观看| 情欲综合网| 亚洲一区二区无遮挡A片| 99色婷婷| 97色色视频| 日本在线免费中文com.| 成人在线综合| 久久9热好| 99久.| 亚洲 五月 婷婷 成人| 色婷婷影院| 26uuu色五月| 99超级碰免费视频| 五月丁香六月婷婷激情视频在线观看免费| 五月激情丁香六月狠狠干| 18久久| 97超碰,人人舔,人人操,人人摸| 99干日本| 色综合日日| 五月五婷婷网| 夜夜爽天天爽| 操操人人| 99亚洲色| 五月天伊人av| 婷婷久久五月天丁香| 五月丁香六月激情狠狠| 五月丁香激情怕怕| 丁香婷婷狠狠97| 激情五月丁香五月| 天天操夜夜操| 欧美狠狠地| 99精品自拍视频| 亚洲狠狠婷婷| 播丁香五月婷婷欧美| www.99热| 九色无码| 99热在线精品观看| 亚洲色激婷| 色色色干| 亚洲在线视频321| 久草婷妨| 99ER热精品视频|