GLM-5.3-Flash Q4 在 M3 Ultra 提速至 300k 上下文 37.4 t/s
IngeniousIdiocy · reddit · 2026-09-09
作者在 M3 Ultra 上深度优化 GLM-5.3-Flash（Q4 量化）的本地推理，方法与结果都给得很细：
- 解码优化：将大量小 kernel 融合为更大 dispatch，内存带宽利用率从 59% 提至约 81%；短上下文 29→40 t/s，62k 上下文 24→38 t/s。
- 长上下文注意力搜索：用并行 scan 替代逐级排序合并候选列表，输出逐字节一致，300k 上下文端到端从 21.6 提到 37.4 t/s。
- Prefill：批量复用权重、加宽数据加载后 366→550 t/s（+50%），62k 冷处理从约 170 秒降到 113 秒。
- 投机解码 drafter：带自适应退避策略，agent 会话仅 +4%，SQL/JSON 等结构化输出 +2050%，散文输出自动退出几乎零开销。
- 质量验证：100 prompt 参考集上 NLL 与原版几乎一致（0.300766 vs 0.300804），首 token 匹配 90/100，无质量换速度。
代码开源在 GitHub 的 ds4 仓库 glm53-m3ultra 分支，但优化高度针对 M3 Ultra 芯片的实测特性，不可直接移植。
「Infra」频道最新
- 大厂全做 AI 沙箱,Modal 与 Daytona 靠盒外一层仍居增速榜前列 — FinanceYF5 · 2026-10-26
- Ant 招股书印证「算力是可互换商品」论:单一池动态调度 — BenBajarin · 2026-10-26
- SLC NAND 每 1% 份额增长需多 2% 晶圆产能,闪存或复刻 HBM 行情 — toptickcrypto · 2026-10-26
- NVIDIA Vera Rubin 训 10T 模型只需 1.6 万卡，较 GB200 省 75% GPU — teortaxesTex · 2026-10-26
- Anthropic S-1 自曝：曾多次严重低估算力需求，导致产能受限拖累产品 — JosephJacks_ · 2026-10-26
- Anthropic 算力协议规模暴涨至最高 1205 亿美元 — teortaxesTex · 2026-10-26