同模不同后端，首token慢8倍
TypicalOcelot9 · reddit · 2026-07-17
这条帖子对比了同一个开权重模型在两个 OpenAI-compatible 后端上的真实体验，结论是：同样的接口形状，不代表同样的推理行为。
作者测到，专用推理主机在缓存失效场景下的表现明显更好：TTFT 约 1.2s、吞吐约 77 tok/s，并且确实是逐步流式返回；而某大型云厂商的托管端点虽然宣称支持 stream:true，但实际上会先把整段回复生成完，约 10s 后一次性吐出，等于对 agent 循环造成了实打实的停顿。
作者进一步排查了网络距离和自家代理，确认问题出在服务端缓冲。更关键的是：在真实的缓存命中形态下，那个被缓存失效放大的 10s 问题会明显缓解，TTFT 从 10s 降到 2.7s，也基本不再缓冲。帖子最后总结了三个基准测试原则：
- OpenAI-compatible 只说明请求格式，不说明行为质量
- stream:true 可能只是“表面流式”，要检查是否真的增量输出
- 必须按真实缓存分布测，而不是只看 cache-busted 的最坏情况
「Infra」频道最新
- 分析师：蚂蚁是当前工作负载最具弹性可置换的模型厂商 — BenBajarin · 2026-10-26
- Anthropic S-1：训练基建优势使单任务成本降40%、营收增速翻倍 — BenBajarin · 2026-10-26
- 研究揭示合成数据最优比例随算力从10%升至32% — heghbalz · 2026-10-26
- 多州暂停新建数据中心，72% 美国人反对建在家门口 — YvesMulkers · 2026-10-26
- 500 万美元种子轮不够 DeepSeek 训一遍:没 GPU 的 AI 创业只剩三条路 — FinanceYF5 · 2026-10-26
- HBM 需求转向:低端推理砍单,Rubin 将全系 12-high HBM — BenBajarin · 2026-10-26