RTX 3090 跑通 27B 模型+20 万上下文
MaziyarPanahi · x · 2026-09-01
MiaAI Lab 发布了 Qwen3.8-27B 的 EXL3 量化部署方案，结合 DFlash2 推测解码技术，实现了在 24GB 显存（如 RTX 3090）上运行 20 万上下文。项目包含启动脚本、配置和 OpenAI 兼容服务端，利用 NVFP4 KV 缓存最大化上下文吞吐。
「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