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
- 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
- CircuitHub 发布工厂级机器人 The Grid，美国产 PCB 提速两倍对标深圳 — garrytan · 2026-10-26
- Ubicloud 发文修复 vLLM 工具调用准确率问题 — petrusenko_max · 2026-10-26
- Meta 批准无投票权 C 类股，2026 年资本开支指引达 1350–1450 亿美元 — thione · 2026-10-26
- Unsloth 发布 MiniMax-M3.1-Flash 量化：2-bit 保留 91.5% 精度，150GB 内存可跑 — danielhanchen · 2026-10-26