Gemma 4 在双3090上启用MTP反而变慢
DjCanalex · reddit · 2026-07-19
作者在双 RTX 3090 和单 RTX 3090 上测试 Gemma 4 31B QAT 的 MTP（draft/多 token 预测）效果，结论是：双卡环境下反而变慢。
观察到的结果
- 双 3090：不开 MTP 时约 39.7 t/s，开启后降到 27–34 t/s 波动
- 单 3090：不开 MTP 时约 33 t/s，开启后能升到 45 t/s，随后逐步回落到 36–37 t/s
额外日志
- 双卡场景下 draft acceptance 约 0.56，mean len 约 2.22
- 单卡场景下 draft acceptance 约 0.56，mean len 约 2.29
作者贴出了两种配置的输出日志，并给出自己的 llama-server 启动命令，想确认为什么多卡时 MTP 的表现和单卡相反。
「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