单卡 5090 跑出 542 tok/s
FormOne2615 · reddit · 2026-07-20
作者开源了 NInfer：一个从零实现的 C++/CUDA 推理引擎，针对单张 RTX 5090 上的两套 Qwen3.6 checkpoint 做了深度优化。
最核心的结果是：Qwen3.6-35B-A3B 在 65,536 token 的完整长输出中，单卡单请求持续达到 542.8 tok/s。帖子还给出了长推理、代码、翻译、故事、结构化输出等不同任务下的吞吐表，以及最长到 260k token 的上下文长度缩放数据；同时附上了转换后模型在 AIME25、AIME26 和 GPQA-Diamond 上的成绩。
NInfer 不是通用推理框架，而是围绕特定模型做了自定义量化、权重布局、算子/Kernel 优化、Kernel Fusion 和专门的 LM-head draft 路径。仓库和模型工件都已公开，目前主要支持文中列出的两款 Qwen3.6 模型，且重点面向 RTX 5090 级硬件。
「Infra」频道最新
- Tabul AI 推出 Metal TreeSHAP，加速 Apple silicon 上的 Shapley 计算 — Scobleizer · 2026-07-22
- DeepSeek-V4-Flash 单卡 B300 批量仅 770 tok/s — Moreh · 2026-07-22
- NVIDIA 开始交付 102.4 Tbps 的 Spectrum-6 交换机 — nvidia · 2026-07-22
- Apple 公布 Private Cloud Compute 的 SOC 3 审计报告 — throwfaraway4 · 2026-07-22
- Reddit：GPU 平台总让你在代码、恢复、计费里选两项 — legendpizzasenpai · 2026-07-22
- 智能体执行环境的安全基石：沙盒化宣言 — spirosoik · 2026-07-22