研究发布推理工程帕累托图谱，测54种Qwen2.5-7B配置
原文标题：The Inference Engineering Pareto Atlas: Which Optimizations Dominate the Cost, Quality, and Latency Frontier?
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
LLM 推理优化常在不同模型、GPU、提示与质量指标上报告加速，难以比较或组合。论文构建成本、质量与延迟的帕累托图谱，实测 Qwen2.5-7B-Instruct 在 vLLM 0.12 及 L4/A100/H100 上的 54 种配置并校准模拟器。结果显示组合方法更常进入前沿；AWQ 4bit 在 L4 上延迟降至基线 0.34 倍但损失 5.9% 严格 GSM8K 精度；FP8 权重保留 99.4% 精度且延迟为 0.61-0.65 倍，成为多数场景赢家；朴素 FP8 KV 缓存吞吐正常却全部答错，说明速度本身不足。
深读 · 结论先行AI 生成展开看要点与影响 ↓
实测54种Qwen2.5-7B配置：FP8权重保留99.4%精度且延迟降至0.61-0.65倍，成多数场景赢家。
- •在vLLM 0.12、L4/A100/H100上实测54种配置，模拟器跨批次漂移低于1.5%
- •36种配置中18种进入帕累托前沿，组合方法9/15入选，优于单方法的9/21
- •AWQ 4bit在L4延迟降至0.34倍，但严格GSM8K精度损失5.9%，略低于95%质量线
- •FP8权重在三块GPU上均保留99.4%精度，延迟0.61-0.65倍，占四个场景赢家中的三个
- •朴素FP8 KV缓存吞吐正常却全部答错，说明速度指标本身不足以判断可用性
为什么重要：给做推理部署的团队一份可比较的配置地图：选型不能只看加速比，FP8权重是当前较稳的默认项，而KV缓存量化需单独验证正确性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 据悉计划采购谷歌 TPU 芯片，降低对英伟达依赖
AI 摘要据报道，OpenAI 正计划采购谷歌自研的张量处理单元（TPU），以扩大算力规模并实现芯片供应多元化，双方尚未敲定最终条款。OpenAI 同时在推进与博通合作、代号 Jalapeno 的自研 AI 芯片。若交易落地，将直接冲击英伟达在 AI 加速芯片市场的主导地位，并重塑云厂商与大模型公司的算力供应格局。
阿联酋因伊朗袭击调整 5GW AI 数据中心计划
AI 摘要据路透社报道，在遭受伊朗袭击后，阿联酋修订了其 5GW AI 数据中心建设计划。该事件凸显地缘政治冲突对中东地区大规模 AI 基础设施投资的直接冲击，可能影响全球算力布局与供应链。
英伟达预计单季营收达1080亿美元
AI 摘要英伟达预测未来几个月内营收将达到1080亿美元，有望成为继亚马逊、苹果和Alphabet之后又一家季度营收超千亿美元的公司。其数据中心营收同比增长一倍以上，利润也大幅增长。
英伟达公布 OOI 共封装光学技术，原型样品已到位
AI 摘要英伟达在 SEMICON West 2026 上展示下一代共封装光学方案 OOI（Optics-on-Interposer），用大面积硅中介层取代有机封装基板，把光引擎直接集成到承载 GPU 的中介层上。该方案旨在为超大规模 AI 集群提供更高带宽互联，目前仍处研究阶段，无商业化时间表。