单张 3090 每秒 381 token，是真的吗：拆解大模型的照抄式加速
文中标注来源的第三方与官方数字来自公开资料，其余速度与上下文数字均为本机实测，测试在同一台双 RTX 3090 机器、同一张显卡上完成。速度单位是 token/s，即每秒生成的 token 数。
前两天社交平台上流传一条帖子，说一张消费级显卡把 27B 的大模型推到了 381 token/s。显卡是 2020 年发布的那款 24GB 显存 3090，测试时把功耗限制在 250W。发帖的人自己先补了一句，这不是普通聊天的成绩。
看到这类数字，第一反应通常是营销。但顺着帖子给出的线索，我找到了它背后那套开源实现，把文档和参数读了一遍，然后在自己的机器上装起同样的机制重测。结果是 372 token/s。
所以这个数字是真的，只是在一种特定的活儿上成立。而那个条件比数字本身更值得说清楚，因为它决定了这套东西对你的工作到底有没有用。
先说清楚一件事：模型一次只能吐一个 token
要理解 381 意味着什么，得先知道不加速时能跑多少。
大模型生成文字的过程，每一步都要把整个模型的权重从显存里读一遍，算出下一个 token。这张卡的显存带宽是 936 GB/s，而我们要跑的模型权重压到 4 位精度之后大约 15GB。两者一除，理论上限就在 60 token/s 上下，实际能到 40 多个。
我们用的这套引擎，官方公布的裸跑成绩是 47.3 token/s。这个数字跟上面那道除法严丝合缝，说明它撞的是硬墙：不是算法不够聪明，是显存带宽就这么宽。
所以 381 不可能是”算得更快”。每秒 60 的墙还在那里，唯一的出路是让每次读完权重之后多吐出几个 token 来。
投机解码：先猜后验
这正是投机解码要做的事。它的思路很直白：既然读一次权重很贵，那就别一次只算一个。先用一个很小的模型或者一个额外的预测头，一口气猜出接下来 7 到 8 个 token，然后让大模型一次性核对。猜对了，这一轮权重读取就摊到了七八个 token 上；猜错了，从第一个错的地方截断重来。
这套机制在推理引擎里已经很成熟，我们跑的这个模型自带一个多 token 预测头，猜得还不错，一轮通常能多吐出 3 到 6 个 token。但它的天花板很明显：草稿能提几个位置，验证块就只能核对几个位置。逐字复述材料的时候，答案明明就摆在输入里、随手能抄 15 个 token，一轮也最多只能过 7 个。
帖子里的 381，是在这之上又动了两步。
那个数字的巧劲，藏在”照抄”两个字里
第一步，换个地方找草稿。
原本草稿是由那个小预测头猜的。但有一类任务，模型要写的内容根本不在”未来”，而在”过去”：让它改写一个文件，输出里大半是原文；让它复述一段材料，输出基本就是输入；让它引用一段工具返回的结果，也是照搬。这些字已经明明白白地躺在输入里了，让预测头去猜，既浪费又猜不准。
于是有了第二种草稿来源：在模型这次请求的完整文本里，找”刚刚写出去的最后十几个 token”上一次出现在什么地方，然后把那一次后面跟着的内容提出来，作为这一轮要验证的候选。这就是所谓 n-gram 复制草稿。它不花任何额外算力，因为要抄的东西本来就在手边。
第二步，把验证的长度和草稿的长度拆开。
原来的实现里，验证块的长度是被草稿模型定死的，草稿模型只会猜 7 个，验证块就只能是 8 个位置，逐字复述时每轮最多过 7 个 token，一直顶在天花板上。改动之后，草稿模型照旧猜它的 7 个，但目标模型可以去核对一个更长的块，多出来的位置由复制草稿填。这样就变成了 16 个位置一次核对。
两个改动叠起来，按对方项目公布的数字，逐字复述一个 2 万多 token 的文档，每轮平均能过 15 个 token，速度从 159 涨到 381 token/s。
为什么抄错了也不会写错
这是整个机制里最容易被忽略、但最关键的一点：它不改变模型的输出。
复制草稿提出的只是”候选”。每一个位置上的 token，最终都要由目标模型自己点头才算数。如果抄错了，或者上下文里那句话本来就该改写，那这一步就是白猜一次，这一轮少过几个 token，速度慢一点，但写出来的内容跟不加速时逐个 token 生成的结果一样。它不是一个”用质量换速度”的开关。
我们复现之后也做了个朴素的质量抽查：往长文里埋一个暗号让模型检索，换成这一路之前和之后都能准确答出来。
我们把它装到自己机器上
我们本地跑的是一个叫 NInfer 的推理引擎，它是从零写起的 C++/CUDA 项目，专门把单张显卡跑一个模型这件事做到极致。它的最新版里有跟上面完全同构的两个开关：一个负责让草稿来自上下文，一个负责把验证块放宽到 16 个位置。
我们用的那组参数大致是：草稿模型选它自带的块状草稿器、草稿数 7、复制草稿的上限 15，另外把读文档的分块调小一档、把一部分权重转码压到 4 位，把上下文从 155,648 拉回 207,872（这张卡换草稿器之前是 262,144）。这些参数的意思在文末会交代。
然后在编码那张卡上先测三组负载，分别代表三种真实工作：凭空写一段新代码、把一个文件改完之后原样返回、以及解释一个概念；另外单独做了一次按帖子同形任务的复述测试。同一张卡、同一个模型，结果一并列在下面。
| 负载 | 速度（token/s） | 输出里来自”照抄”的比例 |
|---|---|---|
| 改文件并原样返回 | 479.2 | 高 |
| 逐字复述 24K token 文档片段 | 371.9 | 高 |
| 凭空写新代码 | 187.3 | 低 |
| 解释一个概念 | 129.0 | 极低 |
其中逐字复述那一行，是我们按帖子描述的同一种任务重做的：输入 23,797 个 token，让它逐字复述其中一段，输出在 1,500 个 token 处被上限截断。客户端从首字时间自己算出来的速度是 372，引擎自己报的是 371.9，两边对得上。对比帖子里 25K token 文档跑出的 381，差距在 2.4%，属于同一档。
同一个模型，三种活儿差 3.7 倍
上表里最值得看的其实不是最高那行，而是最高和最低那行之间的差距：3.7 倍。
同一张显卡、同一个模型、同一套参数，仅仅是换了一种活儿，速度就从 129 窜到 479。这足以说明 381 不是这个模型的能力值，而是某一种活儿的成绩。把”照抄型”任务的速度当通用速度去理解，就会得出完全错误的结论。
帖子本身其实没有隐瞒这一点，它明确写了普通聊天大约在 133。这个数字跟我们的解释概念那一行（129）几乎重合。
它在什么场合真有价值
判断标准只有一条：你让它写出来的内容里，有多少是它刚才读进去的东西。
按这条标准，真正吃得上的场景是：检索问答里让它引用原文作答、把一份长材料改写成要点、代码助手修改文件并把整个文件写回、翻译时对照原文、从长文档里抽取字段、把工具返回的结果整理成结论。它们的共同点是输出与输入高度重合，模型干的活更像”整理”而不是”创作”。
这类场景在本地部署里尤其值钱。因为本地的硬约束就是显存带宽，而这个机制恰好是少数能绕开带宽墙的手段：它没有让计算变少，而是让每一次权重读取多负责十几个 token。对手里只有一张卡、买不起更大显存的人来说，这比任何精度上的小修小补都实在。
什么时候它帮不上忙
有几条边界必须说，否则很容易被这类数字误导。
自由创作、解释概念、开放讨论这类任务，输出与输入关系不大，复制草稿基本找不到可抄的东西。按对方项目自己的实测，这个机制在散文上的增益只有两三个百分点，个别任务甚至略微为负，因为长验证块本身也有调度开销。要说明的是，我们表里解释概念那一行看着比基线快约 25%，那部分可能主要来自换了草稿器和腾出显存，我们并没有把复制草稿这一项单独拆出来测。
真实负载和合成基准之间还有一道鸿沟。我们自己的合成文档测试里，复制草稿的接受率接近 80%；但在真实的长请求上，引擎日志记录的接受率只有 48.8%。原因不难猜：合成测试用的填充文本天然重复，真实工作的文本没那么配合。所以看到一个漂亮的合成数字时，最好先问一句它测的是什么文本。
还有代价。这条路线在我们编码那张卡上只能单并发，同时上下文从 262,144 降到了 207,872。想要两个并发或者满上下文，就得退回到普通投机解码，放弃这份提速。速度和容量在这一张卡上是此消彼长的。
如果你也想在自己机器上试
机制本身不神秘，落到配置上就是几个开关：把投机解码的草稿器切成块状草稿器，打开上下文复制草稿并把上限设到 15，再把预填充的分块调小以省出显存。上下文能拉到多少由引擎在启动时按剩余显存自己算，不是想要多少就有多少，所以每次调完都得核对一遍启动日志里的实际容量。
需要提醒的是，这套参数是围绕我们这张卡和这份模型产物抠出来的。换一个模型，权重大小和存储格式都会变，能拉到的上下文也就不一样。另外这些开关更新很快，跨版本升级前务必先读一遍破坏性变更清单。
回到那个数字
381 和 372 的差别其实不重要，两套不同的引擎、两份不同的实现，落到同一档上，说明这个机制是成立的、可复现的。
真正值得带走的是另一个问题：你每天让模型干的活里，有多大比例的输出，其实是在把它刚读进去的东西再说一遍？如果你的答案是”很大一部分”，那么这份提速就基本是白捡的；如果你的答案是”很少”，那 381 对你就是一个好看但与己无关的数字。
本地推理的账，从来不是靠一个通用速度跑分算清楚的。