AMD 上的新量化推理优化
huggingface · x · 2026-07-14
Hugging Face 转发了一条关于 AMD Strix Halo 用户的新模型与量化方案更新。
要点包括：
- 298B 参数模型 Hy3 使用新的 2-bit FPX codebook，目标是更高效映射到 AMD 硬件的 INT8 通道。
- 相比 IQ2M，新量化方案体积小 2.55%。
- 在短编码提示上，端到端无 MTP 延迟约降 2.4%；在 19,654 token 的编码提示上约降 6.2%。
- 可将 14.05GB 可复用状态放到 SSD，而不是占用稀缺的 UMA 缓存内存。
- 未加权控制分数为 HermesAgent-20 的 81 分、Tool-Eval 全量 88 分，作者称超过多数 Qwen 模型。
- 运行速度约 17–25 tok/s，prefill 约 200 tok/s；要吃到这些优化需要最新的 FTX inference-engine（llama fork）更新。
「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