云知识运行别人训练好的模型时，服务器的规格选择主要取决于模型的复杂度、预期的推理速度以及并发请求的数量。对于大多数深度学习模型，推荐至少配备8GB显存的GPU、16GB以上的系统内存以及多核CPU，以确保模型能够高效运行，满足实时或批量处理的需求。
首先，模型的复杂度是决定服务器配置的关键因素之一。复杂的模型通常包含更多的参数和更深层次的网络结构，这需要更强的计算能力来支持。例如，BERT、ResNet-152等大型模型在进行推理时，对GPU的依赖性较高，因此建议使用具有更高显存（如16GB或以上）的GPU。相比之下，一些较小的模型，如MobileNet或轻量级的NLP模型，可能只需要较低的显存即可满足需求。
其次，预期的推理速度也是选择服务器规格的重要考量。如果应用需要实现实时响应，比如在线X_X译、语音识别等，那么服务器必须具备快速处理数据的能力。在这种情况下，高性能的GPU和足够的系统内存是必不可少的。此外，多核CPU可以提高数据预处理和后处理的速度，进一步提升整体性能。
最后，考虑到并发请求的数量，特别是在服务大量用户的应用场景中，服务器的扩展性和稳定性显得尤为重要。高并发请求会显著增加系统的负载，因此除了强大的单机性能外，还需要考虑服务器的网络带宽、存储能力和横向扩展能力。在某些情况下，可能需要部署多个实例并通过负载均衡技术来分担请求压力，确保系统的稳定运行。
总之，选择合适的服务器规格是一个综合考量的过程，需要根据具体的模型特性、业务需求和预算进行权衡。上述建议提供了一个基本的参考框架，但在实际操作中，还应结合具体情况进行调整。