標籤: vLLM

📌 本文重點

• NInfer + A3B 讓 35B 長上下文在單卡可行
• C++/CUDA 專門優化長序列 decode 提升 tok/s
• 適合單卡、長上下文、低併發高價值請求場景

在做長上下文推理服務時，最大的痛點通常是：單卡吞吐上不去、65K token 類型的長序列一跑就卡死整張 GPU。NInfer + Qwen3.6-35B-A3B 這套組合的價值，就在於：在單張 RTX 5090 上，65,536 token decode 仍能穩定 542 tok/s，讓「高吞吐長上下文 API」在單卡環境變成可行選項，而不是只能堆多卡集群。

💡 關鍵： 在單張 RTX 5090 上達到約 542 tok/s 的 65K 長序列 decode，意味著 35B 長上下文模型不再一定需要多卡集群即可實用化

重點說明：NInfer 能快的關鍵

1. A3B 量化與權重重排：把算力真正用在 GEMM 上

Qwen3.6-35B-A3B 使用的是針對 NInfer 特化的 A3B 量化格式：

• 3-bit activation + 8-bit/混合權重布局（實作細節在 NInfer repo），搭配自訂權重重排
• 權重在轉換階段就依據 GPU memory coalescing 規則重新排列，確保 warp 讀取連續、避免 strided access
• 實際效果：在 35B 這種級別模型上，VRAM 需求從完整 FP16 大幅下降到單卡可容納，同時減少 global memory 帶寬壓力

對你的專案意味著：

• 如果你卡在「35B 單卡裝不下或 decode 隨著 context 變長越來越慢」，A3B + 重排可以把 VRAM 壓到可部署範圍，同時保持高吞吐
• 相比一般 INT4/FP8 方案，因為權重 layout 為 NInfer kernel 量身打造，訪存效率更可預期，不用自己調一堆 tile 參數

💡 關鍵： A3B 量化加上專門的權重重排，核心價值是在不犧牲太多精度下，把 35B 模型壓進單卡 VRAM，並穩定撐起長上下文推理

2. C++/CUDA 層的 kernel fusion 與 KV cache 策略

NInfer 沒有走通用框架路線，而是針對 Qwen3.6-35B decode path 完全手工展開與 fusion：

• Kernel fusion：將 RMSNorm、linear、bias、activation 等步驟在 CUDA kernel 層面合併，減少 kernel launch overhead 與中間結果回寫 global memory
• 分段 KV cache（segmented KV）：KV cache 依 context 長度切段管理，而不是單一巨大 buffer
• 長序列時只把當前段載入 SM，減少無效訪存
• 用 ring buffer / sliding window 思路，在 65K token 上仍維持穩定延遲
• 長序列 decode 優化：
• decode kernel直接針對「單 request、長序列」做 tuning，而非多併發
• blockDim.x / gridDim.x 固定在實測最優配置，犧牲部分通用性換極限吞吐

對開發者的直接好處：

• 如果你的場景是 少量高價值請求 + 極長上下文（RAG, 多輪會話, code review），NInfer 可以在單卡提供接近「專用推理盒」的效能
• 不用自己啃 CUDA kernel，只要用它給好的 Qwen3.6-35B-A3B 權重與啟動方式，就能拿到接近 Reddit 文中 542 tok/s 的表現（硬體足夠時）

3. 與 vLLM / TensorRT-LLM 的差異與適用場景

vLLM / TensorRT-LLM：

• 優點：多模型、多硬體、多併發排程，KV cache 管理通用、與 Python 生態整合好
• 缺點：單模型、單卡、長序列極致 tuning 受限於通用抽象（scheduler、通用 kernel）

NInfer：

• 優點：
• 針對 Qwen3.6-27B/35B 深度優化，長序列 decode 有明顯優勢
• C++ 單 binary，方便嵌入 C++ backend 或自訂 server
• 缺點：
• 模型種類有限，目前專注 Qwen3.6 特定 checkpoint
• 生態與工具較少，要自己接 gRPC/HTTP

什麼時候真的值得換堆疊？

• 你的主服務 pattern 是：單卡 + 長上下文 + 單/低併發 + 想把 tok/s 壓到極限
• 願意為一個主模型專門維護一套 C++ 推理 binary，而不是通用 LLM 平台

如果你是多模型、多 tenant API、需要動態換模型，那就維持 vLLM/TensorRT-LLM；如果只有一個主力 35B 長上下文模型要跑滿一張高階 GPU，NInfer 值得考慮。

實作範例：單卡部署 NInfer + Qwen3.6-35B-A3B

1. 環境準備與模型下載

硬體參考：

• RTX 5090：目標是 Reddit 實測 542 tok/s 等級
• 4090 / A100 也可，但 tok/s 與可用 context 會較低，細節後面說

CUDA / driver：

• 建議使用 CUDA 12.x 並搭配對應的最新 NVIDIA driver
• 確保 nvcc --version 與 nvidia-smi 顯示版本相容

# 取得 NInfer 原始碼
git clone https://github.com/Neroued/ninfer.git
cd ninfer

# 建置（示例，實際依 repo 說明調整）
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc)

# 模型權重（在 Hugging Face 上）
# 例如：Qwen3.6-35B-A3B 已轉好的 ninfer artifact
huggingface-cli download Neroued/qwen3_6_35b_a3b --local-dir ./models/qwen35_a3b

如果只拿到原始 Qwen3.6-35B 權重，通常要執行 repo 提供的 權重轉換工具（例如 convert_qwen36_to_a3b 類型的 binary），把 FP16/FP32 權重轉成 A3B 格式並依 NInfer 的 layout 重排：

./tools/convert_qwen36_to_a3b \
  --src /path/to/qwen3.6-35b-fp16 \
  --dst ./models/qwen35_a3b \
  --quant a3b \
  --reorder-layout

關鍵是 --quant a3b 與 --reorder-layout 這類選項，一定要開啟才能達到官方的吞吐水準。

💡 關鍵： 權重轉換時開啟正確的量化與重排選項，是從原始 Qwen 權重複現 NInfer 官方性能的必要步驟

2. 最小推理程式碼（C++）

以下是簡化版推理程式碼示例，展示如何啟動 A3B 量化模型並執行單次長序列 decode：

#include "ninfer/ninfer.h"  // 假設 NInfer 封裝 header

int main() {
    // 1. 初始化引擎與裝置設定
    ninfer::EngineConfig cfg;
    cfg.model_path = "./models/qwen35_a3b";
    cfg.device_id = 0;
    cfg.enable_a3b = true;            // **啟用 A3B 量化**
    cfg.max_context_len = 65536;      // **長上下文設定**

    auto engine = ninfer::Engine::Create(cfg);

    // 2. 準備輸入（這裡假設已有 tokenizer）
    std::string prompt = "You are a helpful assistant...";
    std::vector<int32_t> input_ids = tokenize(prompt);  // 自行實作

    ninfer::DecodeParams params;
    params.max_new_tokens = 65536;    // decode 長度
    params.temperature = 0.7f;
    params.top_p = 0.9f;

    // 3. 單 request 推理
    auto result = engine->Decode(input_ids, params);

    std::cout << detokenize(result.output_ids) << std::endl;
    std::cerr << "tok/s: " << result.tokens_per_sec << std::endl; // **實測吞吐**

    return 0;
}

實務上你會：

• 用自己的 tokenizer / pre-processor 替換示例中的 tokenize / detokenize
• 把 Engine 包成 service 層，避免每次 request 重新載入權重

3. 接上 gRPC / HTTP 與監控

NInfer 本身是 C++ library，你可以：

• 用 cpp-httplib / Crow / Pistache 做 HTTP server
• 用 gRPC C++ 做 RPC 層，暴露 /Generate 之類的 API

簡化 HTTP 伺服器示例：

#include "httplib.h"
#include "ninfer/ninfer.h"

int main() {
    ninfer::EngineConfig cfg = ...; // 同上
    auto engine = ninfer::Engine::Create(cfg);

    httplib::Server svr;

    svr.Post("/generate", [&](const httplib::Request &req, httplib::Response &res) {
        auto json = nlohmann::json::parse(req.body);
        std::string prompt = json["prompt"];
        int max_tokens = json.value("max_tokens", 2048);

        std::vector<int32_t> input_ids = tokenize(prompt);
        ninfer::DecodeParams params;
        params.max_new_tokens = max_tokens;

        auto result = engine->Decode(input_ids, params);

        nlohmann::json out;
        out["text"] = detokenize(result.output_ids);
        out["tok_s"] = result.tokens_per_sec;
        out["latency_ms"] = result.latency_ms;

        res.set_content(out.dump(), "application/json");
    });

    svr.listen("0.0.0.0", 8080);
}

監控方面：

• 在 wrapper 層計算 qps、平均/95th latency、tokens/sec，用 Prometheus client C++ export
• 定期拉 nvidia-smi --query-gpu=utilization.gpu,memory.used 或使用 NVML API，收集 GPU utilization / memory 指標

建議與注意事項：踩坑指北

1. VRAM 規劃：65K token 與 batch size 的取捨

• Qwen3.6-35B-A3B 在 5090 上跑 單 request 65K token 是合理目標，但同時放大 batch size 就會立刻撞 VRAM
• 建議配置：
• 以 長上下文優先時，batch size 控制在 1–2，避免 KV cache 乘上 batch 維度
• 想提高併發：將 max_context_len 降到 16K–32K，或改用 Qwen3.6-27B 變種

實務做法：在測試環境跑一個 VRAM profiling：

# 監控長序列 decode 中的 VRAM
watch -n 1 "nvidia-smi --query-gpu=memory.used --format=csv,noheader"

觀察在不同 max_new_tokens / batch 組合下的峰值 VRAM，用來決定 service 預設值。

2. GPU 驅動 / CUDA 版本相容性

• 使用 過舊的 driver 或 CUDA 會直接造成 kernel 無法載入、或效能大幅下降（無法使用新指令集）
• 建議：跟隨 NInfer repo 中的 tested CUDA version，不要自行回退到 11.x
• 若要在 A100 上跑，確認你有對應的 data center driver；consumer driver 在 data center 卡上常有意料外問題

3. 不同 GPU 的性能預期

大致可以這樣預估（以長序列單 request 為主）：

• RTX 5090：
• 目標：~500 tok/s @ 65K decode（與 Reddit 實測同量級）
• 瓶頸：主要是 memory 帶寋與 SM 排程，已由 NInfer kernel 盡量打滿
• RTX 4090：
• 預估：250–350 tok/s @ 65K decode，視具體 OC/散熱而定
• 瓶頸：VRAM 較小，可能需要調低 context 或關閉部分優化
• A100 80G：
• 預估：350–450 tok/s，但優化方向不同（更多重視多併發 vs 單 request）
• 若你已在 TensorRT-LLM 上有穩定 pipeline，要評估是否真的需要切到 NInfer 的專用堆疊

4. 何時不要用 NInfer

• 需要支援多種模型（Llama, Mistral, 自訓模型）且頻繁切換：用 vLLM / TGI / TensorRT-LLM 更實際
• 主要場景是 高併發短上下文聊天 API：通用框架的排程優化會比 NInfer 的單 request 長序列優化更有價值

5. 維運架構建議：高吞吐長上下文推理 API

一個可維運的典型架構可以是：

• Layer 1：API Gateway
• 負責認證、流量控制、路徑切分（例如 /chat vs /long-context）
• Layer 2：NInfer Service（C++ binary）
• 每張 GPU 一個 service process，固定跑 Qwen3.6-35B-A3B
• 使用 gRPC / HTTP 暴露 GenerateLongContext API，限制最大 context / tokens
• Layer 3：監控與自動化
• Prometheus 收集：qps, latency_ms, tokens_per_sec, gpu_util, gpu_mem_used
• Alert 針對：latency 機率分佈偏移、tokens/sec 突然下降（可能是 driver/CUDA 問題）

對團隊來說：

• 把 NInfer 看成一個專用長上下文推理引擎，只做一件事（跑滿那張 GPU）
• 其他模型與場景繼續走既有的 Python/vLLM/TensorRT-LLM 堆疊，減少大規模遷移風險

總結來說，Qwen3.6-35B-A3B + NInfer 提供了一條實務友善的路：在單卡上達成 35B 級別模型的長上下文高吞吐推理，而不必一開始就堆多卡集群。只要你能接受專用 C++ binary、模型種類受限，這套方案可以非常直接地改善「長上下文慢到不可用」的痛點。

🚀 你現在可以做的事

• 到 GitHub 搜尋並 git clone Neroued/ninfer，依說明完成編譯與基本測試
• 到 Hugging Face 搜尋 Qwen3.6-35B-A3B 或相關 artifact，實際下載並執行權重轉換
• 在你的現有服務中加入一個長上下文專用路由，接上 NInfer C++ service 做 tok/s 與延遲對比測試