DeepSeek-V4-Flash 单卡 B300 批量仅 770 tok/s
Moreh · reddit · 2026-07-22
一位 Reddit 用户在单卡 B300 上跑 DeepSeek-V4-Flash 和 vLLM 0.25.0，批量 256 时输出吞吐只有约 770 tok/s，觉得远低于预期。
- deepgemmmegamoe 在单 GPU 上报错，因为它要求 expert parallel，只能改用 flashinfertrtllm。
- 关闭 speculative decoding 后，吞吐大约翻倍。
- 该用户怀疑 sparse MLA attention 可能没有走 CUDA graphs，导致性能上不去。
- 帖子核心是在征询单卡实测吞吐和可行配置，属于 推理栈/算力 讨论。
「Infra」频道最新
- 全同态加密 GPT-2 速通赛开跑:现纪录 3.031 秒/token — tensorqt · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- NVIDIA 称 HGX Rubin NVL8 每兆瓦 token 吞吐为 B200 的 10 倍 — thursdai_pod · 2026-10-27
- NVIDIA 称 HGX Rubin NVL8 每兆瓦 token 吞吐为 B200 的 10 倍 — thursdai_pod · 2026-10-27
- Together 推出并行 LoRA 实验：多个实验共享同一批 GPU，免重复配置 — togethercompute · 2026-10-27
- 要么人力商品化，要么 GPU 商品化：算力经济二选一之辩 — _AustinCalvert_ · 2026-10-27