ExLlamaV3正式版带来大幅提速
Unstable_Llama · reddit · 2026-07-15
ExLlamaV3 发布了 1.0.0 正式版，作者总结了这一年多来的大批性能和工程升级。
这次更新的重点包括：
- 去掉 flash-attention-2 和 xformers 依赖
- 扩展 tensor parallel 支持到更多模型，包括 Gemma4
- 新 attention kernel：支持在线 cache quantization、SWA layers、attention sinks
- 新的 graph path、conv1d kernel、INT8 GEMV kernel、MoE kernel scheduler
- 大幅提升 Ampere 架构上的 GEMM/GEMV 性能
- 增加多个新模型支持和大量 bugfix / QoL 改进
- 还优化了扩展编译速度
作者给出的定位很明确：这是一次面向实际推理性能的重大发布，尤其适合关心本地部署和高吞吐推理的用户。
「Infra」频道最新
- Galaxy S26 纯端侧跑 MiniMax H3：7 分钟生成 5 秒带音频视频 — BidFunny4862 · 2026-10-27
- Unconventional AI 收购 NeuReality,冲刺算力效率提升 1000 倍 — NaveenGRao · 2026-10-27
- 马斯克断言:机器人 RAM 需求将超其他一切,超级智能算力将移向深空 — elonmusk · 2026-10-27
- RTX 5090 卖到 7000 美元，PC 游戏社区集体否认 AI 热潮 — PAstynome · 2026-10-27
- Wan2GP 上架 Pinokio：6GB 显存一键跑 AI 视频生成 — cocktailpeanut · 2026-10-27
- AWS 详解 Agent 提示缓存：显式+隐式双模式省下重复 token 账单 — AWS ML Blog · 2026-10-27