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
- AI 工程师必懂的 12 种 KV Cache 压缩技术一文讲透 — blaizedsouza · 2026-09-11
- 影子算力市场走向台前,Meta 对外出售过剩 GPU 算力成标志性信号 — DavidLinthicum · 2026-09-11
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11