在 NVIDIA DGX Spark 上提升 MoE 推理性能的 3 种方法

在 NVIDIA DGX Spark 上对 Inclusion AI 的 Ling-3.0-flash 进行 batch-size-1 评估显示，解码过程受显存带宽限制，读取模型权重主导了执行时间。分析指出 MoE 计算与产生分数的输出层投影是两大主要耗时操作。通过针对性优化这些瓶颈环节，可有效提升生成 token 的推理速度。