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
- 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
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11