NVIDIA压缩论文：MoE模型交互吞吐近翻倍
omarsar0 · x · 2026-07-08
omarsar0推荐了NVIDIA的一篇模型压缩论文。该工作将混合MoE模型Nemotron-3-Super压缩为Puzzle-75B-A9B，在保持质量的同时将交互式服务吞吐量大致翻倍。
其核心是联合结构搜索：异构MoE剪枝、活跃参数预算与Mamba剪枝被一同优化，而非逐项进行，并包装在包含蒸馏、强化学习、量化和多Token预测头的迭代流水线中。这种联合优化是其在单卡交互延迟下显著提升吞吐的关键。
所属事件:英伟达开源75B参数MoE模型Puzzle(4 条相关)→
「Infra」频道最新
- RTX 5080 十天涨价 40%:1658 美元飙至 2318 美元 — Frizzy-MacDrizzle · 2026-10-27
- 12GB 显存实测:不设 VRAM 上限,出图从 24 秒变 11 分钟 — Impossible-Mail-4619 · 2026-10-27
- Neon 自吃狗粮：文档搜索全部改用自家 Lakebase Search 等 AI 组件 — matei_zaharia · 2026-10-27
- PyTorch 实测:ExecuTorch+Arm SME2 让端侧流式语音识别提速 2.12 倍 — PyTorch · 2026-10-27
- NVIDIA 演示投机解码加速 Jetson 端侧 LLM 推理 — NVIDIA Developer · 2026-10-27
- 单 GPU 收入可随降价上升：Gavin Baker 拆解 token 价格与利润率的算术 — GavinSBaker · 2026-10-27