DeepSeek 8B 极限测试，200 Tokens每秒，眼球跟不上了

大家好，我是 Ai 学习的老章

开始之前，先感受一下 200 Tokens/s 的速度，未加速，眼球完全跟不上其生成速度。

前文不要再用Ollama，不要再用llama.cpp中说到，我在测试 llama.cpp 时发现其并发十分拉垮，虽然单个请求生成速度飞起，并发一上来速度就断崖式下降了。

究其原因是 lama.cpp 并未针对张量并行（Tensor Parallelism）与批推理（Batch Inference）进行优化，也大概率永远不会支持张量并行。所以只有在进行 LLM 的部分或全部 CPU 卸载时，才应该使用 llama.cpp。多 GPU 配置下，vLLM、SGLang 等引擎还是最佳选择。

事实上，我之前多篇文章介绍大模型本地部署时都是用的 vLLM。

前文中我提到的作者说：张量并行将模型每一层的计算分布到多块 GPU 上，与其在单块 GPU 上完成整个矩阵乘法，不如把运算切分，让每块 GPU 只处理一部分工作量，这样每块 GPU 就能同时运行不同层中的不同部分，使结果以指数级速度计算出来。

对这一点，我有点怀疑，本文我们就测试一下单卡、2 卡、4 卡情况下性能测试结果。

测试模型是我最喜欢的DeepSeek-R1-0528-Qwen3-8B，在DeepSeek-R1-0528 蒸馏 Qwen3:8B大模型，双 4090本地部署，深得我心中实测过，上下文不做限制，默认是 128K，24GB 显存的 4090 跑不起来，2 张卡可以，最大推理速度 90Tonken/s。

测试显卡是 H200，单卡 141GB 显存

测试工具是 LLM-Benchmark

单卡运行

启动脚本：

直接吃掉了 126GB 显存，果然，不设限制，它会奔着打满显存空间去，这个可以通过设置 –gpu-memory-utilization 来限制。

性能测试结果：

50并发，平均TPS 83

100 并发情况下，每秒可以处理 47 个请求，平均生成速度 49 Tokens/s

2 卡并行

双卡并行，启动和上面一样，只是指定了 2 张卡，设置了--tensor-parallel-size 2

每张卡都吃掉了 126GB 显存

性能测试结果：

单并发从 142 提升到 172

50并发，平均TPS从单卡83提升到91

100 并发情况下，每秒可以处理 47 个请求，平均生成速度 50Tokens/s，没有显著提升

4 卡并行

--tensor-parallel-size 4

实际上，我 GPU 4 和 5 上我部署的还有其他模型

性能测试结果：

单并发从 172 进一步提升到 208

50并发，平均TPS提升到94

100 并发情况下，每秒可以处理 48 个请求，平均生成速度 50Tokens/s，也没有显著提升

8 卡并行，我没有再测试，但是我其他卡上的模型已经占满了显存，也不方便 stop

我用 Gemini 画了一幅柱状图对比看不同并行下 TPS 情况

总结来看

大模型本地部署时使用张量并行，确实可以提升单并发 TPS，但随着并发请求增加，提升并不明显。但是比起 llama.cpp 的多并发 TPS 断崖下降，确实优秀无比了。