本地大模型的 prefill 吞吐是否被严重低估?
GabryIta · reddit · 2026-07-07
开发者指出,讨论本地运行 LLM 的 ROI 时几乎只关注解码(输出)速度,而忽视 prefill(输入)速度。以有人在 4 台 NVIDIA DGX Spark 上跑 GLM 5.2(4bit、投机解码等优化)为例,可实现约 60 输出 token/秒、6 并发,理论上 24/7 一天约 518 万输出 token,按 4.40 美元/百万输出 token 约合 22 美元/天;而同一配置的 prefill 吞吐约 3000 token/秒,是输出的约 50 倍。即便 prefill 单价更低(约 1.40 美元/百万输入 token),这种巨大吞吐差应显著影响 ROI,作者质疑业界为何很少将 prefill 纳入评估。
「Infra」频道最新
- DeepSpeed 发布 AutoEP/AutoTP 等并行化进展并办线上答疑 — PyTorch · 2026-10-27
- Cloudflare Durable Objects 被验证为 AI agent 高并发场景优选架构 — tristanbob · 2026-10-27
- Gary Marcus:补上 Q3 数据后，Anthropic 算力效率增速现拐点 — GaryMarcus · 2026-10-27
- 推理社区与 K8s 社区高度重合：万亿市场的 Kubernetes 翻版 — matt_slotnick · 2026-10-27
- vLLM 考虑将更多栈迁往 Rust，推理引擎 Rust 化成趋势 — AccBalanced · 2026-10-27
- 同一套 DeepSeek 内核两种优化路线：vLLM 拆专家、SGLang 降访存 — AccBalanced · 2026-10-27