M5 Mac 还没吃满性能，w8a8 把 Gemma4 prefill 提到 3029 tps
maddie-lovelace · reddit · 2026-07-24
一位 Reddit 用户指出，Apple M5 的矩阵乘核心目前还没有被现有推理后端充分利用。
- 现在 MLX 和 llama.cpp 依然在很多地方使用 16-bit activations，但 M5 硅片据称已经支持 INT8 activations，也就是 w4a8 dtype。
- 作者自己实现了 w8a8 kernels，在 Gemma4 的 prefill 上拿到约 1.4x 的加速。
- 在一台 M5 MacBook Air 上，130,173 tokens 输入的 prefill 吞吐从 2193 tps 提升到 3029 tps。
- 作者还表示在更短上下文下速度更快，接近 1 万 tps。
「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