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
- NVIDIA 称 Nemotron 3 Ultra 在 RTL 芯片设计任务上达 97.1% — NVIDIAAI · 2026-07-27
- 本地 Qwen 模型驱动机械臂测试 78 款手机续航 — gappyvalley · 2026-07-27
- MiniBot 2.40 新增 xAI、HF Studio 和 vLLM 支持 — Creative-Type9411 · 2026-07-27
- 苹果智能眼镜、英伟达SK合作与携程51.79亿罚单汇总 — APPSO · 2026-07-27
- DeepSeek 融资传闻、欧盟 AI 透明度规则与 OpenAI 安全事故 — 创业邦 · 2026-07-27
- QuixiCore 主张原生量化内核取代先反量化再执行 — QuixiAI · 2026-07-27