AREX Feed Article
Kimi K3 于 AMD MI355X 单节点跑出 B200 3.8 倍吞吐，C99 引擎实现 CPU 仅 8 GB 内存推理
8 月 1–2 日，两项来自第三方的 Kimi K3 推理实验从截然相反的方向证明了同一件事：K3 的 MoE 架构对硬件的宽容度远超预期。Wafer AI 在单台 8×AMD MI355X 服务器上跑出了 B200 双节点 3.8 倍的吞吐；一位独立开发者在纯 CPU 上仅用 8.24 GB 内存就跑通了整个 2.78 万亿参数模型。
AMD MI355X：HBM 容量碾压 B200，ROCm 几乎开箱即用
旧金山推理平台 Wafer AI 于 8 月 1 日公布技术博文：K3 的完整权重加 1M token KV 缓存需超 1.5 TB 显存，连单台 8×B200（每卡 192 GB HBM）都装不下，只能跨两台服务器组 TP16。但 AMD MI355X 每卡配备 288 GB HBM3E，一台 8 卡节点即容纳完整模型，无需跨节点通信。
实测数据如下（1024 token 输入 / 400 token 输出基准）：
| 配置 | 单流解码 | 峰值总吞吐 | 每美元吞吐 |
|---|---|---|---|
| 8×MI355X (TP8) | 118 tok/s | 952 tok/s | 48 tok/s/$ |
| 2×8 B200 (TP16) | 90 tok/s | 498 tok/s | 7 tok/s/$ |
| B300 (TP8+DCP8) | 172 tok/s | 1,568 tok/s | 33 tok/s/$ |
B300 绝对吞吐仍领先约 1.65 倍，但单价约为 MI355X 的 2.4 倍，性价比被反超。B200 方面，跨节点 RoCE v2 互联（~195 Gb/s）在 decode 关键路径上拖累了整体表现。
更值得关注的是软件层面：ROCm 几乎开箱即用。Wafer AI 仅修复了两个问题——sglang 中缺失的 top_k_renorm_prob 定义（一行 PyTorch 函数替代）和 AITER MLA prefill 内核的形状不匹配（将 12 个 attention head 填充至 16 再裁剪）。无需编写任何自定义 GPU 内核，与数月前 GLM5.2 在 AMD 上需要大量内核工程形成鲜明对比。Wafer AI CEO 在推文中直言"CUDA 的护城河虽未死，但这肯定砸出了一个大缺口"，该推文获超 1.7 万次浏览、253 次点赞。
此前报道中 K3 的 AMD 部署已有 AMD 官方 Day-0 vLLM 支持确认，但 Wafer AI 是首个公布完整 benchmark 对比数据的第三方推理服务商，且给出的性价比结论对数据中心采购决策有直接影响。
纯 CPU 推理：176 KB 引擎、8.24 GB 内存
8 月 2 日，DevOps 工程师 Vaishnavi（@_vmlops）在 X 平台披露了一个极致实验：有人用 C99 编写推理引擎，在 2×EPYC 7763 CPU 上仅占用 8.24 GB 峰值内存跑通了整个 K3。关键原理在于 K3 的 MoE 结构——93% 的检查点是路由专家（82,432 个，MXFP4 打包），但每个 token 只激活其中 16 个，其余永远无需驻留内存。专家直接从 NVMe 流式读取并就地矩阵乘法，无需反量化步骤。
实测：最轻量预设下 8.24 GB RSS、32.69 秒/token；最快预设下 127.92 GB RSS、10.69 秒/token。引擎仅 176 KB（六个 C 文件 + libm + OpenMP），make && make test 一分钟内即可验证。
这一实验的作者坦言"不是实用的服务方式——半分钟一个 token、需要 1.7 TB 磁盘"，其目标是通过实现来理解架构。但它在概念上验证了超大 MoE 模型对推理硬件的极端弹性——此前报道中 K3 在 16 张 RTX 5090 上的分布式推理已展示了消费级 GPU 的可行性，而纯 CPU 实验将这一逻辑推至极限。
本次更新来源
- （2026-08-01）
- （2026-08-01）
- （2026-08-02）
- （2026-08-02）