throughput

关于 DFlash 和 Spec V2 推测解码方法的新研究实现了 LLM 推理的 >4.3倍基准吞吐量，现已成为 SGLang 的默认推测解码引擎。

使用Gemma模型的多智能体协作取得了显著的吞吐量提升，并展现出涌现性社会行为，如组成联盟、发布道德声明、协调资源，在48小时内吸引了超过60个智能体和250份提交。

小米与TileRT使用标准商用GPU，在万亿参数模型上实现了每秒超过1000个token的推理速度，这显示了定制芯片之外的一个重要替代方案。

打包双推理（PTI）是一种通过单批解码中运行多个token序列来实现约2倍LLM吞吐量的技术，它利用了llama.cpp中的权重共享，无需草稿模型或额外VRAM。

一条推文讨论了使用类似S3的对象存储和内容寻址构建具有无限吞吐量的事务数据库的想法，其中块被并行写入，根哈希定期更新。

Amazon 推出了“Resilient Network Graphs”（RNG），这是一种数据中心网络设计，可将硬件需求降低 69%，并将吞吐量提升 33%。自去年悄然部署以来，现已成为大多数 AWS 工作负载的默认网络。

使用 VLLM 在双 RTX PRO 6000 GPU 上对 Qwen 3.6 27B 和 35B 模型进行基准测试，生成吞吐量高达每秒 3500 个令牌。

Open-dLLM 将 Qwen3.6 适配为使用扩散式生成，在 RTX 5090 上对于短序列实现了超过 3,000 tok/s 的吞吐量，相关代码已在 GitHub 上发布。

Kimi K2.6 在单张 MI300X GPU 上达到 56 token/s，用户计划进一步测试整体吞吐。

K2.6在Mac本地成功部署Qwen3.5-0.8B模型，使用Zig语言实现推理优化，经过14轮迭代将吞吐量从约15 tokens/s提升至约193 tokens/s，比LM Studio快20%。

文章介绍了《系统性能》书中关于延迟、吞吐量、缓存层级等核心概念，并引用了Jeff Dean等专家的延迟数字资源，强调动手实践对性能工程的重要性。