不用下载671B权重，也能看清一个模型的骨架

DeepSeek-V3.1 有671B参数，权重文件动辄几百GB，大部分人电脑存不下，服务器也未必下得起。modelmap.cc 反过来解决这件事：粘贴一个Hugging Face模型ID，不下载一个字节权重，就能看到这个模型完整的结构图。

传统看懂模型结构的路径是下载权重、跑起来、再翻代码。modelmap把下载和跑这两步都砍掉了，只留下代码和一次"空转"。这对研究者和学习者是真省事，但省的是哪一步的事，得说清楚。

三步看清骨架，覆盖哪些架构

核心是两步：meta-device实例化，加fake forward追踪。

先用meta-device把模型类实例化出来，只建结构骨架，不分配真实权重内存。这一步拿到的是模型有多少层、每层是什么模块。

再用虚拟张量跑一次前向传播，也就是fake forward，记录每一层输入输出的张量形状。整个过程不涉及真实数值计算，也不需要下载权重文件。

它覆盖的架构类型不算窄：

页面还支持两个模型并排对比结构，比如把Qwen2.5-7B和Qwen3-8B放一起，注意力机制和归一化层的差异能直接看出来。这种横向对比，以前基本靠人工翻两份代码手动比对。

边界：不是任意模型，也看不到动态运行

"不下载权重"这句话容易被过度解读。modelmap依赖的仍是模型仓库里的代码和配置文件，只是不拉取权重张量本身。

仓库得是Transformers能直接加载、或者结构兼容的公开仓库，才可能生成结构图。私有和gated模型，用户得自己填Hugging Face token才能看，不是纯匿名可用。

"any HuggingFace models"这个说法在实际使用里要打折扣。一个模型如果用的是仓库自定义的非标准代码结构，或者Transformers还没适配，出图大概率失败或不完整。

fake forward追踪的是一次前向传播的静态形状。MoE里按token动态分配专家这种运行时行为，未必能在图里完整还原——它给的是骨架，不是骨架怎么动。

真要判断一个MoE模型的路由是否合理、显存开销多大，还是得下载权重、真跑一次推理。结构图和实测，不是一回事。

谁该用它，谁别拿它当依据

学Transformer的人，用它几分钟建立一个模型的直觉印象，比啃论文插图和读裸代码快。

做架构选型的工程师，可以先用它快速对比两个候选模型的结构差异，再决定要不要真的下载权重、跑基准测试——它省的是筛选阶段的时间，不是验证阶段的时间。

不该拿它做的事：把结构图当成推理速度、显存占用或生成质量的答案。这几项它不提供，也不该提供。

modelmap更像模型时代的电路图阅读器。看懂电路图，知道电流从哪进、核心元件在哪，但这台机器好不好用，还是要插电试。

接下来值得盯的，是它的模型库更新速度能不能跟上新架构——新模型发布后多久能被追踪、公开仓库覆盖率有多高，决定了它是长期有用的工具，还是只看得懂"经典款"。

671B的权重你可能一辈子不会下载，但骨架长什么样，现在几十秒就能看完。