漫步远方,心荡神往

155 万亿 Tokens/天是怎么跑出来的:拆解 DeepSeek V4.1 Flash 推理系统

从 EPD 分离、Wide-EP、72 小时 KVCache 到按时间切分的 Prefill 调度

以 DeepSeek V4.1 Flash 推理系统公开的 Blog 与 Q&A 为基础,用 11 张自绘示意图(含封面)和可复算的例子,拆解 EPD 分离、Wide-EP 的 roofline 依据、Block/SWA 两层 KVCache、3FS 10+2 EC 与 GDR、SWA Bounded Replay 的 128-token 近似、Prefill 二次代价模型反解、异步调度与变长投机、EPLB 的最大负载目标,以及 $38/卡·时的第三方成本测算。官方口径与推算分开表述,附部署风险提示。

拆开大模型中的 config.json:参数是表象,KV 账单才是分水岭

从 MoE 稀疏度、KV 账单到压缩与线性注意力 - 一次逐字段的技术对账,写给想搞懂「为什么这么设计」的人

不看新模型发布会,只看开源模型配置文件:先补参数、KV、注意力三块底子,再逐字段拆 15 个国产开源模型。为什么 DeepSeek 把 KV 头压到 1 个却把 head_dim 拉到 512、GLM 的 IndexShare 凭什么让 4 层共用一次索引、Kimi 的 3:1 线性混合到底省的是计算还是显存、Qwen 的混合架构为什么反而更吃显存 - 用公式和 config 里的数组讲清楚。附 1M 上下文单请求的 KV 清单推演。

读 Kimi K3.1 Pro:2.8T 是表象,69:24 才是答案

架构已经收敛,战场转移到成本工程、后训练工业化和能力治理 — 一份 AI Infra 工程师的拆解

不翻译官方博客,只谈判断,并逐条对照公开研究校准:为什么 93 层里的 69 层线性注意力是成本工程而非能力工程(Kimi Linear 的 3:1 配方与 75% KV 降幅);为什么 1M 上下文只取 top-k 2048 暴露了长上下文的真相(NeurIPS 2026 留存曲线:标称长度与留存能力仅 ρ=0.437 相关);长上下文到底能不能替代 RAG(MBZUAI 的 120 组对照给出反例);MXFP4 为何成为千亿模型发布的准入门槛(对照 gpt-oss);以及为什么环境质量才是后训练的胜负手(Endless Terminals 与 WildAWM)。

GPU 在等 CPU:一部 55 年进化史,与 AI 时代被低估的瓶颈

从单核萌芽、主频撞墙到多核与异构,串起 CPU 与 GPU 之间那段被长期忽略的等待

为什么 GPU 再快也会空转?本文从 CPU 五十五年四次关键转身讲起,盘点 x86 / ARM / 国产三大阵营的主流型号,拆解 CPU 在 AI 推理链路上真正承担的调度职责,并用 gpt-fast 的 torch.compile 实测、Kimi K3 的 Megakernel 融合、vLLM 连续批处理、Grace 的 NVLink-C2C 与 DALI 预处理流水线五个案例,说明 CPU-bound 的三种成因与三条优化路径,附 12 个名词的术语速查卡。

一文吃透模型量化(上):从浮点表示到 PTQ/QAT 范式

FP32/FP16/INT8/INT4/FP8、仿射映射、对称 vs 非对称、per-tensor vs per-channel、PTQ/QAT/动态 vs 静态/校准 —— 附全局对比表与可运行 PyTorch 代码

模型量化深度科普(上篇):先建立全局对比表,再把『地基层』讲透——浮点与定点表示(FP32/FP16/BF16/INT8/INT4/FP8)、浮点到整数的仿射映射 q=round(x/scale)+zp、对称 vs 非对称量化、per-tensor vs per-channel 粒度,以及量化为何能加速、反量化与伪量化。然后进入通用量化范式:PTQ 后训练量化、QAT 量化感知训练、动态 vs 静态量化、校准方法(MinMax/Percentile/KL/MSE)与异常值问题。每个概念给数值示例、公式推导与可运行代码,含一段『从零实现对称/非对称量化与反量化』的教学代码。下篇讲 LLM 专用方案。