llama.cpp 新 PR：MoE 融合扩展到投机解码，MTP 吞吐显著提升
jacek2023 · reddit · 2026-08-31
llama.cpp 合入了一个新 PR(ynankani 的 #27621),把此前的 MoE GLU 融合与 topk-router 融合从单 token 限制扩展到投机解码(specdec)场景。发帖人尚未实测，但基准显示对不同 draft 宽度(尤其大于 1)的 MoE 模型 MTP 推理都有提速，值得关注。
「Infra」频道最新
- Qwen3.8 Flash 在双 DGX 上跑出 415 tok/s — NVIDIAAI · 2026-09-01
- 曝 OpenAI 自研芯片 Jalapeno：LLM 推理速度达 1500 tokens/s — firstadopter · 2026-09-01
- TensorSharp 跑 Qwen 3.8 Flash Next 性能实测 — fuzhongkai · 2026-09-01
- 腾讯混元 AngelSlim：Hy4 模型压缩至 214GB 并支持异构协同 — 腾讯混元 · 2026-09-01
- 三星为英伟达改推8层HBM4E，速率要求提高20% — 创业邦 · 2026-09-01
- 为何 Llama.cpp 中增大上下文反而提升了推理速度？ — satnl · 2026-09-01