Новости

DeepSeek-V4.1-Flash on Vera Rubin NVL72: 58x Throughput vs. GB300 NVL72 at 387 tokens/s

vLLM · Inferact and the vLLM Team · Опубликовано 12 ноября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: vLLM achieved 58x higher throughput serving DeepSeek-V4.1-Flash on NVIDIA Vera Rubin NVL72 compared to GB300, reaching 1.7M tokens per second per GPU.
Почему это важно: Matters for engineers deploying large language models who need maximum inference throughput and latency on latest NVIDIA hardware with specialized tensor cores.
На что обратить внимание: Results are specific to DeepSeek-V4.1-Flash model and SemiAnalysis AgentX benchmark; gains depend on Rubin's split memory domains and FP4 tensor cores, may not generalize to other models.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

vLLM · Inferact and the vLLM Team · Опубликовано 12 ноября 2026 г. · 3 мин чтения

Что произошло: vLLM achieved 58x higher throughput serving DeepSeek-V4.1-Flash on NVIDIA Vera Rubin NVL72 compared to GB300, reaching 1.7M tokens per second per GPU.
Почему это важно: Matters for engineers deploying large language models who need maximum inference throughput and latency on latest NVIDIA hardware with specialized tensor cores.
На что обратить внимание: Results are specific to DeepSeek-V4.1-Flash model and SemiAnalysis AgentX benchmark; gains depend on Rubin's split memory domains and FP4 tensor cores, may not generalize to other models.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.