2018年“性能怪兽”复活：IBM AC922 运行 Qwen 预填充速度突破 7,300 tk/s

核心事件

一名开发者通过深度修改 Strata（Opus 5.5 分叉版），成功在 2018 年发布的 IBM AC922 服务器上实现了惊人的推理性能。搭载两颗 POWER9 处理器及 4 块 NVIDIA Tesla V100 GPU 的老旧设备，在运行 Qwen3.8-FN (UD-Q4_K_XL) 模型时，预填充（Prefill）速度达到 7,357 tk/s，解码（Decode）速度为 113 tk/s。该成果的核心在于充分利用了 IBM 独特的 CPU-GPU NVLink 互联技术。

• ▶ 打破 x86 瓶颈： 传统的 llama.cpp 在 POWER9 架构上因缺乏 AVX 指令集而表现不佳，该分叉版通过底层优化绕过了这一限制。
• ▶ NVLink 的降维打击： AC922 支持 150GB/s 的 CPU-GPU 带宽，远超当代 PCIe 方案，使得统一内存（Unified Memory）在处理大上下文时具备极高效率。

八卦洞察

这并非简单的“老树发新芽”，而是一次对硬件底层拓扑结构的深刻利用。在当前 H100 难求的背景下，这项实验揭示了一个被忽视的真相：大模型推理的瓶颈往往不在算力（TFLOPS），而在带宽。IBM AC922 这种 6 年前的“过气”旗舰，凭借其超前的 NVLink CPU-GPU 直接互联架构，在预填充阶段（即 RAG 检索增强生成的关键环节）依然能秒杀许多现代消费级多卡方案。这说明，针对特定非 x86 架构的软件重构，可以释放出巨大的存量算力价值。

行动建议

对于持有旧款企业级 HPC 集群（如搭载 V100/POWER9 的节点）的机构，不应盲目将其报废。建议：1. 针对 RAG 等高预填充需求的业务场景，开发或引入适配底层架构（如 UMA 统一内存）的定制化推理后端；2. 关注 Strata 等高性能推理框架在非标准架构上的移植性，以较低成本构建高吞吐量的私有化模型服务。