17 岁少年优化 llama.cpp:两块 80 美元 Tesla P100 跑 Qwen 达 60 tps
Kmic68 · reddit · 2026-09-28
一位 17 岁开发者发布了针对 Tesla P100 显卡(二手约 80 美元)的 llama.cpp kernel 优化,用两块 P100 以 q6k 量化运行 Qwen(27B)实现约 50-60 tps decode:
- 性能提升:0 context decode 从 7-15 tps 提到 50-60;260k 长 context 从 2-4 tps 提到 30-35;prefill 从 220 tps 提到 350,260k context 下从 40 提到 110 tps
- 工程细节:用混合 fp16/fp32 数学修复 fp16 舍入误差;对回归测试极严格,数学结果必须更精确或字节级一致才通过
- 部署要点:对启动 flag 敏感,需 -c 262144 -b 32768 -ub 1024 -np 1,否则 MTP acceptance 会崩到接近 0
- 已于 9 月 22 日合并,支持 Qwen flash 架构;受限于 175W 功耗墙和散热瓶颈,良好散热下预计还能再提 5-10%
作者提供了完整的构建文档、数学证明与测试,欢迎 PR。
「Infra」频道最新
- 谷歌宣布 Gemini 3.5 Flash 可在断网气隙环境运行 — shashib · 2026-11-16
- Gemma.c:单文件 C 实现 Gemma 1/2/3 多模态推理,纯 CPU 跑 72 tok/s — This-Purchase-3325 · 2026-11-16
- Sarvam 在印度上线 Token Factory 托管开源模型推理 — itsOmSarraf_ · 2026-11-16
- BIS 规则原文:封堵先进 AI 芯片的远程访问通道 — apples_jimmy · 2026-11-16
- 越狱PS4直连2013年GPU跑9B开源模型,速度达43 tokens/s — AIFlow_ML · 2026-11-16
- Mobile AI Factory:agent 自动为你的手机造专用小模型,GPU 时间省 19 倍 — pmttyji · 2026-11-16