纯 MLX 引擎推理提速至 65 tok/s，显存需求减半
EyalToledano · x · 2026-08-28
作者正在开发一个纯 MLX 推理引擎，以摆脱现有组件依赖并挖掘机器性能极限。目前成果包括：
- 速度：在零精度损失下达到 65 tok/s，目标 100+。
- 显存优化：通过 Expert paging 技术将模型占用从 39GB 降至 20GB。
实测数据展示，Qwen3.8-Flash-Next-REAP 的 8bit 和 4bit 变体在保持高 HumanEval 分数的同时，显著降低了内存占用。
所属事件:开发者把 180B 级 Qwen MoE 剪枝压缩进 48GB Mac(9 条相关)→
「Infra」频道最新
- 传 SK 海力士美国建厂或以美方放宽对华设备出口为条件 — pstAsiatech · 2026-10-15
- Perplexity 新 embedding 模型：大模型建索引、小模型做查询 — antoine_chaffin · 2026-10-15
- Unsloth 发布 Nemotron 3.5 本地量化包:Bolt 24GB 内存可跑 — danielhanchen · 2026-10-15
- vLLM-Omni 联手 BFL 与 NVIDIA 上线 FLUX 3 Image Klein 当日支持 — vllm_project · 2026-10-15
- NVIDIA Nemotron 3.5 Super VL 上线 Applied Compute 平台训推 — ypatil125 · 2026-10-15
- CoreWeave 债券收益率破 16%,贷款期限比客户合同长约 2 年 — tengyanAI · 2026-10-15