DeepSeek-V4-Flash 在两张 4090D 上跑到 105 tok/s
iSevenDays · reddit · 2026-07-24
一位 Reddit 用户分享了在两张 Nvidia 4090D 48G 上跑 DeepSeek-V4-Flash 的实战结果：借助 vLLM 和 Triton，把原本偏 Blackwell 的 kernel 重新实现后，速度做到约 105 tok/s。
要点包括：
- 为 sm89 重新做了 DeepGEMM、FlashInfer sparse-MLA、block-scaled FP8 等路径。
- 机器是启用 P2P patch 的 Dell R740。
- 他称这种方案在并行 agent 工作负载下吞吐比 llama.cpp 高 2–3 倍。
- 还给出了 vLLM 和 llama.cpp 两套部署命令，并声称可达到约 262k 上下文。
这条更像是一份把新模型“硬塞进旧卡”的推理优化实战报告。
「Infra」频道最新
- Galaxy S26 纯端侧跑 MiniMax H3：7 分钟生成 5 秒带音频视频 — BidFunny4862 · 2026-10-27
- Unconventional AI 收购 NeuReality,冲刺算力效率提升 1000 倍 — NaveenGRao · 2026-10-27
- 马斯克断言:机器人 RAM 需求将超其他一切,超级智能算力将移向深空 — elonmusk · 2026-10-27
- RTX 5090 卖到 7000 美元，PC 游戏社区集体否认 AI 热潮 — PAstynome · 2026-10-27
- Wan2GP 上架 Pinokio：6GB 显存一键跑 AI 视频生成 — cocktailpeanut · 2026-10-27
- AWS 详解 Agent 提示缓存：显式+隐式双模式省下重复 token 账单 — AWS ML Blog · 2026-10-27