RTX 4090 跑通 25 万上下文：单卡优化 Qwen 3.8 实践
alexcovo_eth · x · 2026-08-23
博主通过技术优化在单张 RTX 4090 (24GB) 上成功运行 Qwen 3.8-27B 模型，实现了 250,000 的上下文窗口和 75 tokens/s 的速度。
核心优化手段：
- 自定义 2-bit Drafter：将 DFlash 2 drafter 量化至 Q2K，节省 450MB 显存，且在测试中保持了 100% 的接受率和解码速度（76 t/s）。
- 隐藏显存税：发现 llama-server 默认为多用户并发预留大量显存。单用户模式下通过传递 --parallel 1 标志，强制引擎将 100% 显存缓冲区分配给单一用户，释放了大量被占用的资源。
实测结果：
结合 Q2K drafter 和 --parallel 1 标志，上下文限制显著提升，最终在单卡上实现了惊人的 25 万上下文吞吐。
「Infra」频道最新
- 黄仁勋做客 BG2 播客:谈 AI 收入能否撑起 Capex 与 2027 瓶颈 — elonmusk · 2026-10-16
- Mistral 本地推理基建机架曝光:DGX Spark、Mac Studio 等混搭 — gregmushen · 2026-10-16
- 英伟达携手瑞典 Wallenberg，Launch 共享 AI 超算 Sferical One — nvidia · 2026-10-16
- 基础设施下一站:能自我进化、自我验证的自适应系统 — _shreya_s · 2026-10-16
- 小米 MiMo RL 训练曝光:30 步花掉 347 万美元 — bycloud · 2026-10-16
- Cerebras 用异构 prefill 池喂晶圆级引擎，解码速度与 batch 解耦 — ai · 2026-10-16