Aioga
AI资讯 / 行业动态
返回 AI资讯

Baseten 工程师实测:LLM 生成的推理引擎比 vLLM 快最多 90%

Baseten 工程博客Aioga 编辑团队2026-10-02T21:09:34.000Z热度 72

Baseten 工程师参考 MetaInfer 论文,让 Claude Code(Fable 5)为 Qwen-3.6-35B-A3B(NVFP4,单张 B200)自动构建推理...

行业动态Baseten 工程博客

今日 AI 情报摘要

Baseten 工程师参考 MetaInfer 论文,让 Claude Code(Fable 5)为 Qwen-3.6-35B-A3B(NVFP4,单张 B200)自动构建推理引擎

VibeQwen,单流解码比 vLLM 0.25.1 快 90%,首 token 从 28ms 降至 12ms,并发 32 时吞吐高 71%。

中文正文 · AI 翻译

Claude Code 与 Fable 5 构建了一个 Qwen 3.6 推理引擎,在解码速度上比 vLLM 提高了最多 90%,在 TTFT 上提高了 2.3 倍,使用 MetaInfer 技能在一台 B200 上实现。

Baseten engineers leverage agentic inference optimization techniques for up to 90% faster inference

Baseten 是那种地方,我们有像 #ai-papers-discuss 和 #model-performance-reading-group 这样的 Slack 频道,最近就是在其中一个频道里,一篇论文吸引了我的注意:MetaInfer: A Knowledge Only LLM Inference Engine Generator SKILL Toolbox:https://arxiv.org/abs/2607.12875v1。

在论文中,作者提供了一个仅技能框架,用于从零构建自定义推理引擎,并声称其结果在常见的推理性能指标上,如每输出标记时间(TPOT),优于 vLLM 等 SoTA 开源解决方案。这里的“仅技能”意味着不进行模型后训练,也不使用专门的工具。我得承认,我起初持怀疑态度,但他们提供了一个带有技能工具包的仓库,而我们现在仍然在享受无限 token 的美好生活,因此我决定在一个流行模型上尝试一下,看看效果如何。

使用 Qwen-3.6-35B-A3B,NVFP4 精度,在单个 B200 上,我们生成的 LLM 推理引擎在单流解码速度上比 vLLM 0.25.1(实验时的最新版本)提高了最多 90%,TTFT 提高了 2.33 倍,为模型开启了此前不实用的超低延迟新应用场景。

目前有几个大规模趋势正在汇聚,为像 MetaInfer 这样的发现和技术创造了肥沃的土壤。

Four converging trends: smarter models, agent coordination, measurable optimization, and inference demand.

模型变得更聪明,对长周期任务的处理能力更强,Anthropic 发布的 Mythos 5 和 Fable 5 模型标志着在可以可靠委托给 AI 系统的任务类型上迈出了重要一步。我记得上一次类似的时刻是 2025 年底 Opus 4.5 的发布,到那时,许多工程师,包括我自己,都从将 AI 编码工具作为辅助自动补全,转向使用像 Claude Code 这样的编码工具作为主要工作接口。

与此同时,代理协调工作流和原语正被直接打包进流行的开发框架,使复杂的多代理工作流程更易于访问和操作。其中一个重要功能是由 Claude Code 和 Codex 提供的“Goals(目标)”,它能让模型在长期内保持工作并专注于可衡量的目标。我大约在六个月前第一次在 Karpathy 的 Autoresearch:https://github.com/karpathy/autoresearch 项目中遇到过这种实验-测量-迭代的循环,但现在它已经成为常规编码框架的一部分。

AI inference demand is compounding. Source: Google I/O 2026.

随着 AI 系统能力的不断提高,对推理服务的市场需求也在增长,从而带来了不断提高成本和性能的巨大压力。

将所有这些因素结合起来,将大型语言模型指向定义明确的优化问题,让它们专注于寻找解决方案开始变得非常合理。推理性能证明是这类自动化优化的理想领域。问题空间在可量化指标方面如 TTFT、TPOT、每芯片吞吐量和所需内存都是明确定义的。即使是正确性,也可以通过与模型的全精度参考实现进行数值验证,以确保性能提升不会以牺牲准确性为代价。

这种目标的可验证性对自主优化的成功至关重要。我们还知道当前最先进性能与光速理论最大性能之间存在巨大差距:https://arxiv.org/pdf/2606.26383。此外,推理极其复杂,优化的搜索空间非常大,从低级 CUDA 内核编写到服务层优化,如动态批处理,范围广泛。

大型语言模型可能非常擅长解决定义明确的优化问题,但挑战现在转向如何将你的问题构建为定义明确的优化问题。你需要能够很好地定义你的约束,并仔细选择优化目标。代理绝对会尝试利用系统来“通过”目标,因此作为工程师,你需要设计游戏方式,使代理的成功实际上与你的需求保持一致。例如,如果你没有设置保持准确性的约束,你的“模型”将收敛于:

这样一个简单的模型会有难以置信的优秀TTFT和TPOT评分,但已经没有实际用途了。

现有的开源推理引擎如vLLM、SGLang和TensorRT-LLM在为各种加速器提供广泛模型的服务方面总体表现出色,并且性能达到商业可接受水平。然而,它们在通用性和易用性上的优势也伴随着一个权衡:它们不会针对任何特定的(模型 + 加速器 + 工作负载)组合进行超级优化。MetaInfer的前提是,对于任何特定部署,一个高度专门化(即受限的)引擎可以超越这些通用引擎的性能。

在最初的MetaInfer论文中,他们挑战现成的代理从合同和约束的知识库构建推理引擎,而无法直接访问开源引擎的源代码。在模型训练期间,这类源代码很可能存在,但代理无法直接进行文件级访问。代理在工作中会扩展知识库,主动识别空白并通过结构化实验和验证加以填补。

尽管作者在实验上的纯粹性令人钦佩且有趣,但我们在Baseten非常关注结果。我确实允许我的代理在需要时访问最新的开源解决方案以供参考,包括在可用的情况下从vLLM和TensorRT-LLM找到预优化的内核,仅在必要时编写自己的内核。此外,虽然原论文只关注推理引擎组件,我将范围扩展到了完整的服务栈,最终结果通过在负载均衡器后的多副本部署服务进行衡量,使用AIPerf:https://github.com/ai-dynamo/aiperf 来生成负载并测量性能。

在原论文和我的扩展中,结果是两个可交付成果:推理引擎本身,以及可在后续运行中使用的可重用知识库扩展。

在启动实验时,我让 Claude Code 与 Fable 5 获取了论文和 MetaInfer 仓库的访问权限:https://github.com/HuangPuStar/MetaInfer,以及通过 SSH 访问 NVIDIA B200 工作站的权限。我告诉它目标硬件,并提供了 Hugging Face 仓库的链接,用于获取 NVFP4 量化权重:https://huggingface.co/nvidia/Qwen3.6-35B-A3B-NVFP4,我希望将其用于 Qwen-3.6-35B-A3B,同时提供了原始全精度权重的链接:https://huggingface.co/Qwen/Qwen3.6-35B-A3B,用作准确性参考。该代理还能将引擎候选部署到 Baseten,并对已部署的端点运行 AIPerf 性能分析。

我们内部有用于协助所有 Baseten 交互的代理技能和 MCPs,并且该代理也能够访问这些资源。我设置了一个 /goal,告诉它我希望在不降低准确度的前提下,相比 NVFP4 基线,在所有性能指标上超过 vLLM 20%。

最终结果以及所需人工干预相对较少,这让我既惊讶又印象深刻。Claude 在这个项目上大部分时间都是自主工作的,大约持续了一周,我偶尔提供指导,以防它过度专注于某种特定的流量形态,并确保它关注的是生产环境推理性能,而不仅仅是孤立的引擎基准测试。MetaInfer 框架使用一系列不可变的门控和检查机制,使得像这样的长时间、高效工作成为可能。

Claude 会定期暂停,请我批准任何可能影响准确性的更改。我最终允许它在与参考 NVFP4 实现存在细微数值差异的情况下工作,只要总体准确性相较 BF16 基线至少保持不变。

我几乎没有手动管理代理协调或上下文管理,除了在早期一些小模型结果不理想时,要求所有子代理都使用 Fable 5。它多次进行自动上下文压缩,并消耗了大约 17 亿个代币(绝大多数是缓存的输入代币)和约 200 个 B200 小时。实际上,它在前几天就相对快速地达到了与 vLLM 的同等水平,但我让它继续努力,以科学为目的。

到最后,名为 VibeQwen 的生成引擎在所有测试的流量模式下都优于 vLLM,在某些情况下优势非常显著。在单个 B200 上的正面比较中,VibeQwen 在单流、预测者友好的文本(重复且结构化)上实现了每秒 1,792 个令牌 (TPS),而经过良好调优的 vLLM 部署为每秒 943 个令牌(提高了 90%)。在测试语料库上,VibeQwen 返回第一个令牌的时间为 12 毫秒,而 vLLM 为 28 毫秒,提升了 2.3 倍。在并发为 32 的单副本吞吐量测试中,VibeQwen 比 vLLM 高出 71%,输出 TPS 为 10,307,而 vLLM 为 6,030。

VibeQwen, the inference engine Claude generated for Qwen-3.6-35B-A3B in NVFP4, was tested against a tuned vLLM 0.25.1 deployment on a single B200. It decoded 90% faster on single-stream text and cut time to first token from 28 ms to 12 ms. At concurrency 32, it delivered 71% more output throughput.

首次实验的结果如此令人鼓舞,以至于我决定用从 VibeQwen 实验生成的新扩展知识库在另一种完全不同类型的模型上进行尝试。这一次,我希望为 SAM 3.1(https://huggingface.co/facebook/sam3.1,一种最先进的图像分割模型)构建一个优化的推理服务器。

在这种情况下,我使用了 Facebook 的参考服务器(https://github.com/facebookresearch/sam3)作为基线。尽管模型架构和模态完全不同,这一过程仍然非常有效,我们在单个 H100 上达到了每秒 91 张图像的速度,比基线提高了 50%的吞吐量,仅用了几天时间和约 2 亿个令牌。

这第二次实验名为 Sammie,比最初的 VibeQwen 项目快得多也更便宜,但由于模型架构、加速器类型不同且没有控制测试,它只能提供暗示性的证据,而非确定性的证据,表明知识库重用具有价值。

Sammie, the inference server Claude built for SAM 3.1, takes an image and a short text prompt and returns a mask for each matching object. On a single H100, Sammie processed 91 images per second, 50% more than Meta's reference server.

虽然 VibeQwen 和 Sammie 仍处于实验阶段,目前都没有服务生产流量,但与最先进基线相比的性能提升非常显著。它们也是在相对短的时间内(几天)、极少的人力(数小时)和可接受的低成本(Sammie 仅需几百美元,VibeQwen 需几千美元)实现的,这在一个公司每年在推理上花费数千万甚至数亿美元的世界里非常具有吸引力。在如此大规模下,即便是个位数百分比的提升,也可能意味着数百万美元的节省,使得投资变得容易合理化。

在优化问题中,人工智能创造价值的机会空间是巨大的,正如我们所见,人工智能系统本身就是这些自主优化的主要候选对象。随着推理系统效率的提高,以及更多模型达到完成任务所需的智能水平,相关成本将持续下降。

虽然 VibeQwen 和 Sammie 是在七月底用 Fable 5 构建的,但现在已经是十月,开放前沿几乎赶上了,像 Kimi K3:https://www.baseten.co/library/kimi-k3/ 和 GLM-5.3:https://www.baseten.co/library/glm-53/ 这样模型在许多基准测试中的得分已经非常接近最优秀的封闭模型。随着模型智能的提升、推理成本的下降以及可重用知识库带来的效率提升,我们很容易想象一个不太遥远的未来,这些优化将变得如此低成本且可靠,以至于成为模型部署生命周期中的标准部分。

加入我们,共同构建用于生产人工智能的推理平台。

专用推理:/products/dedicated-inference/

Model Labs:/products/baseten-for-model-labs/

模型运行时:/platform/model-performance/

基础设施:/平台/云原生基础设施/

多云:/products/multi-cloud-capacity-management/

自宿主:/deployments/baseten-self-hosted/

混合:/deployments/baseten-hybrid/

前置部署工程师:/平台/嵌入式工程/

转录:/solutions/transcription/

图像生成:/解决方案/图像生成/

文本转语音:/solutions/text-to-speech/

大型语言模型:/solutions/llms/

复合人工智能:/solutions/compound-ai/

文档:https://docs.baseten.co/

储蓄计算器:/resources/calculator/

信任中心:https://trust.baseten.co

条款和条件:/terms-and-conditions/

服务等级协议:/service-level-agreement/

SOC 2 Type II Certified

DeepSeek V4.1 闪存:/library/deepseek-v41-flash/

GLM-5.3-Flash:/library/glm-53-flash/

情报判断

Aioga 编辑摘要

Baseten 工程师称,Claude Code(Fable 5)参考 MetaInfer,为单张 B200 上 NVFP4 精度的 Qwen-3.6-35B-A3B 构建了 VibeQwen;单流解码较 vLLM 0.25.1 快最多 90%,摘要还报告首 token 延迟由 28ms 降至 12ms、并发 32 时吞吐高 71%。

背景分析

文章介绍,MetaInfer 提供仅依靠技能工具箱生成推理引擎的框架,作者称其无需模型后训练或专用测试框架。Baseten 工程师表示,实验选择 Qwen-3.6-35B-A3B,并将生成的引擎与实验时最新的 vLLM 0.25.1 比较。

Aioga 观点

Aioga 判断:这次测试展示了技能工具与代码模型参与推理引擎构建的实践案例,但结果对应特定模型、精度、硬件和基准条件,不能据此认定其他模型或部署环境也会获得同等提升。

影响与后续

可能影响:推理服务团队可关注自动生成引擎在特定工作负载上的表现,并需要结合自身模型、硬件和测试口径复核;单次对比不代表普遍性能优势,也不足以证明整体成本或可靠性改善。 后续观察:可关注 Baseten 是否披露更完整的测试方法、重复实验结果及不同负载下的数据,并留意其他模型与硬件配置能否复现文中所述表现;现有材料未说明这些验证结果。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: baseten.co

来源: Baseten 工程博客

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-10-02T21:09:34.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

Baseten 工程师参考 MetaInfer 论文,让 Claude Code(Fable 5)为 Qwen-3.6-35B-A3B(NVFP4,单张 B200)自动构建推理...

Baseten 工程博客2026-10-02T21:09:34.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。