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
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- SF Compute 创始人：现在买算力是「绝对糟糕的体验」 — IgorCarron · 2026-09-11
- 开源 SmolVM:2026 年 Agent 不止用浏览器,而是拥有整台电脑 — aniketmaurya · 2026-09-11
- PyTorch Day Korea 2026 首届线下大会启动,9月13日截止征集演讲 — PyTorch · 2026-09-11
- 本地跑 LLM 选卡:4 张 CMP-170HX 涨价 vs Mac Studio M5 — rumboll · 2026-09-11
- llama.cpp 为 RDNA4 调优 Flash Attention,大上下文提升明显 — pmttyji · 2026-09-11