ATSInfer优化llama.cpp：24G显存跑百亿大模型解码提速3倍
TeksEdge · x · 2026-07-19
介绍了一种名为 ATSInfer 的新技术，该技术通过扩展 llama.cpp，大幅提升了超出显存（VRAM）容量的大模型在本地运行时的推理速度。 - **核心机制**：不同于传统将整个网络层或 MoE 专家粗暴放置在 GPU 或 CPU 上的做法，ATSInfer 深入到张量级别进行细粒度调度。它会评估每个张量在 CPU 和 GPU 上的性能表现，将性价比最高的张量保留在显存中，并动态调整计算与 PCIe 传输的重叠。 - **实测性能**：在相同的显存预算下对比原版 llama.cpp，预fill速度最高提升 1.94 倍，整体解码速度最高提升 3.29 倍（在 RTX 4090 上提升 3.12 倍），GPU SM 利用率平均提升约 70%。 - **测试硬件与模型**：在 RTX 3060 6GB 和 RTX 4090 24GB 系统上，成功高效运行了 Llama 3.1-70B、Qwen3.5-122B 等大模型。 - **本地部署意义**：这意味着通过更智能的软件调度，普通开发者可以利用廉价的系统内存配合有限的显存，跑起远超显存容量的超大模型。目前该研究暂未公开代码。
所属事件:ATSInfer 优化本地大模型推理速度(2 条相关)→
「Infra」频道最新
- Merve Noyan：更多开源模型和 llama.cpp 更新在路上 — mervenoyann · 2026-07-21
- 加第二家 LLM provider，坏的往往不只是接口 — Ok_Extension6373 · 2026-07-21
- 英国 AI 数据中心因热量、噪音和占地遭到反弹 — nordicinst · 2026-07-21
- Fluidstack 融资 8.3 亿美元，估值 75 亿美元并承接 Anthropic 500 亿美元算力项目 — rohanpaul_ai · 2026-07-21
- Krea2 低显存 Gradio WebUI 已可在 6GB 机器测试 — Fluid_Kaleidoscope17 · 2026-07-21
- Z.AI 启动 1 吉瓦 AI 数据中心，全部采用国产芯片 — Polymarket · 2026-07-21