一位开发者分享了将Qwen3.8-27B大模型部署在三张2017年发布的NVIDIA V100显卡上的推理优化经验，这是系列文章的第一章，聚焦大模型推理的基础知识。目前该服务优化成果为：最多支持3个请求并发处理，上下文长度达260k，4万token冷输入约15秒后输出首字，单用户输出速度超过110 token/s。文章首先解析大模型推理的两个环节：Prefill（预填充）阶段一次处理整段输入，瓶颈在算力；Decode（解码）阶段逐个生成token，瓶颈在显存带宽。批处理能提升吞吐的原因在于多个请求可共用一次权重读取。在框架层面，文章介绍了vLLM等推理框架的调度、KV cache管理、CUDA Graph等机制，并指出算子优劣对性能影响巨大——手写attention算子相比通用实现快了21倍。评价体系方面，文章引入MFU（算力利用率）与MBU（带宽利用率）指标，实测prefill端到端MFU约44.9%，decode端到端MBU约51.9%。多卡并行上，作者选择张量并行（TP=3），但受限于无NVLink、PCIe带宽不足。模型侧，Qwen3.8-27B采用48层Gated DeltaNet线性注意力加16层普通attention的混合结构，自带MTP投机解码模块。文章末尾对比了V100与RTX 5090的规格差距，并说明在主流框架已不再适配V100的背景下，量化矩阵乘、FP8 KV cache等大量算子与框架改造均需自行完成。
事件分析
技术看点上，该系列展示了主流软件栈放弃旧硬件支持后，底层优化仍存在巨大空间：手写算子带来21倍性能提升，说明推理性能上限往往受制于软件适配程度而非硬件本身。文章对prefill受算力制约、decode受带宽制约的拆解，为推理服务的容量规划与选型提供了清晰的分析框架。产业层面，V100二手价约3200元，与4万余元的RTX 5090形成悬殊对比；虽然单卡性能差距明显，但通过合理的并行策略与深度优化，多张旧卡在聚合带宽与总显存上的吞吐潜力，为成本敏感的中小团队提供了可行路径。后续章节预告的量化存储、算子手写、PCIe通信优化与调度策略，对消费级显卡部署推理服务具有普适借鉴价值。需要注意的是，该方案依赖模型结构特性——线性注意力大幅降低了KV cache压力，并非所有模型都能直接套用。
核心观点：大模型推理的成本瓶颈不在芯片新旧，而在软件栈能否把每一字节带宽和算力都榨干。
原文链接：Linux.do
