刚好有位客户反馈自己的5090跑不快，来找老王调试，老王借着这个机会完成本次更有代表性的对比实验。
本次所有测试均基于 DeepSeek-R1-Distill-Llama-70B，精度 BF16，聚焦真实推理吞吐与稳定性。
测试方法（确保结论可复现）
- 模型与精度：DeepSeek-R1-Distill-Llama-70B，BF16。
- 度量口径：测试工具采用evalscope,评测指标包括首token时延，吞吐等。
- 输入规模：典型长上下文推理，固定 prompt 长度与采样参数，输入输出长度覆盖1K到4K。
- 系统环境：同一机房、同一操作系统镜像与驱动；功耗墙、散热条件一致；关闭除监控外的其它高负载服务。
- 图中数据：仅展示核心指标，完整环境版本与运行日志可按需补充。
测试数据
注：调试前后性能差异较大
调试过程（把“慢”的地方一个个掰直）
开启 CPU 最大性能模式（Governor 置为 performance）
# 查看 CPU 频率策略（一般默认为 powersave）cat /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor# 切换为 performance，避免频繁降频导致推理阶段抖动for f in /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor; do echo performance | sudo tee $fdone
开启 Resizable BAR（Re-Size BAR）
作用：放宽 CPU 访问 GPU 显存的窗口，降低主机到显存的数据搬运开销，稳定大 prompt/大 KV 缓存场景下的数据流。 建议：BIOS 中启用 “Above 4G Decoding” 与 “Resizable BAR”。 验证：
# 简单校验（不同平台输出格式略有差异）lspci -vv | grep -i "Resizable BAR" -A1
调整 CPU C-States（C6 Support）
含义：更深的 C-State 能节能，但可能带来从空闲到满载的唤醒抖动。 建议：在 governor=performance 的前提下，保留 C6 但配合高性能电源策略与中断亲和，实测在我们机型上既不牺牲频率，也能减少温度峰值导致的降频回退。 如果你的平台遇到抖动，可测试“关闭深 C-State 或保留 C6”的两组 A/B 方案，取抖动更小的一组。
GPU 驱动侧常规优化
# 持久化进程，降低首个上下文建立的时延sudo nvidia-smi -pm 1# 锁定一致的功耗墙（根据散热与电源能力设定）sudo nvidia-smi -pl <WATT_LIMIT># 仅单卡推理可忽略多卡通信；多卡时请统一PCIe 代际/拓扑
线程与内存
固定推理服务的线程数与亲和性，避免和系统后台抢核；启用透明大页（THP=always 或 madvise）减少页缺失；确保 swap 不介入热路径。
结论：
1、一台推理服务器 = CPU×GPU×内存×操作系统×BIOS×散热×供电的联合作品。
2、少一个环节，就可能把“战马”骑成“驴”。
3、专业的事情交给专业的人做，否则花一样的钱，只能享受一半的显卡性能。
为了拼数据
，老王新入一台8卡48GB版4090的机器。废话不多说，直接上最终测试结果：
更专业的解读：
- 显存带来的结构性收益：48GB 允许在单卡上容纳更大的 KV Cache 与更长上下文，
可以使用更大的 batch 或保持更稳定的 kernel 形状； 避免 24GB 版本常见的张量并行/页外 KV/CPU offload 带来的调度与拷贝开销； 使得 Flash-Attention 等高效内核能以更大 tile/更少重排运行，减少 kernel 启动与同步次数。 - 实际观感：长上下文与多会话并发下，48GB版4090的吞吐“台阶式”提升明显； 24GB 版常在容量边缘反复触发重排与内存回收，表现更不稳定。
综合下来，本轮测试中 5090 依然更强，但差距由约 2× 缩小到约 1.4×。 这不是 48GB 显卡“变魔术”，而是容量把“工程化的路”铺平了(少换页、少拷贝、少同步)，硬件算力才能稳定地转化为吞吐。
顺手也回答一个常见问题：
“同一架马车，车道宽一倍，能不能跑更快？” - - - 能，而且更不容易剐蹭。
