用途：估算基于 Megatron 的 MoE（混合专家）与稠密模型在训练时的 GPU 显存占用，帮助判断模型能否放入现有显卡、选择并行策略。
主要能力：从 HuggingFace 模型路径或本地 config.json 自动转换配置并估算显存；支持张量并行（--tp）、流水线并行（--pp）、专家并行（--ep）、上下文并行（--cp）、专家张量并行（--etp）、虚拟流水线并行（--vpp）、微批大小（--micro-batch-size）、序列长度（--seq-length）、GPU 总数（--num-gpus）、激活重计算（--recompute-granularity full/selective）等参数；可输出详细分解（--verbose）或 JSON（--json）。输出包含各流水线阶段的参数、激活、权重+梯度、优化器状态及总显存，并给出是否适配 A100 40GB/80GB、H100、H200 等。
使用方式：主脚本为 scripts/estimate_from_hf.py。示例：python scripts/estimate_from_hf.py deepseek-ai/DeepSeek-V3 --tp 4 --pp 4 --ep 8 --num-gpus 128 --num-layers-in-last-pipeline-stage 16。当层数无法被 --pp 整除时，用 --num-layers-in-first-pipeline-stage 与 --num-layers-in-last-pipeline-stage 指定首末阶段层数。需将工具目录与 Megatron-LM 加入 PYTHONPATH：export PYTHONPATH=$PYTHONPATH:$(pwd):/path/to/Megatron-LM。依赖安装：pip install mbridge transformers torch megatron-core==0.13.0；可选完整 Megatron-LM：pip install git+https://github.com/NVIDIA/Megatron-LM.git@core_r0.13.0。
适用场景：为 DeepSeek-V2/V3、Qwen2.5/Qwen3、Kimi 等模型寻找合适并行配置；检查模型是否适配指定 GPU 数量与显存；按重计算、专家并行、流水线并行、批大小顺序逐步降低显存。
限制：估算为基于模型架构的理论值，实际显存可能因框架开销浮动约 ±10-15%，建议预留 10-20% 余量并先小规模验证；MoE 模型专家并行对显存效率影响较大。具体支持范围与参数细节以资料为准，其余未提供。