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
- 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
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11
- 7900 XTX 24GB 能否跑 Qwen，Reddit 征集 ROCm 实测数据 — thenomadexplorerlife · 2026-09-11