芯东西（公众号：aichip001）
编译 | 崔嫄伟
编辑 | 陈骏达
芯东西8月25日消息，昨日，英伟达在官网上宣布，面向Vera Rubin平台的Groq 3 LPX交互式推理机架已进入全面投入生产阶段。
该产品是英伟达收购Groq相关技术后首款商业化落地的机架级专用推理系统，作为Vera Rubin平台的扩展组件，专门面向AI Agent场景，解决长上下文下实时交互推理的行业痛点，Nebius是首家采用NVIDIA Groq 3 LPX的AI云服务提供商。
同日，英伟达开发者博客发布深度技术长文，详解Groq 3 LPX与Vera Rubin NVL72的软硬件协同架构，并首次披露独立第三方机构Artificial Analysis的基准测试结果。
Artificial Analysis是行业公认的中立 AI 性能评测机构，本次测试选用谷歌 2026年4月发布的Gemma 4‑31B稠密模型，该模型已经完成针对英伟达硬件的官方适配优化。在10万tokens长上下文测试环境下，Groq 3 LPX实现 3431tokens/s 的输出速度，性能达到当前公开同类方案的近4倍，同时保证模型输出精度不受损失。
一、长上下文+高交互，成为AI算力新瓶颈
随着AI Agent应用普及，多轮对话、代码生成等场景的上下文长度持续膨胀，数百轮对话后，上下文可达到数十万tokens量级。模型每一轮生成内容，都需要重新处理全部历史信息。
行业普遍痛点在于：上下文越长，推理速度越慢；而实时交互又要求单用户低延迟响应，两者难以兼顾。
▲在多轮会话中，每轮对话中蕴含的上下文信息稳步增加
传统方案通常采用张量并行（将模型拆分到多颗芯片并行计算）提升速度，但该技术在高交互的小批量场景下会出现明显短板：芯片间通信的固定启动开销占比会急剧升高，最终抵消并行计算带来的速度收益。简单来说，用户请求越零散、数据量越小，“建立连接、调度链路” 的等待时间就越容易成为性能瓶颈。
二、两大核心技术路径，破解长上下文高速交互难题
Groq 3 LPX是英伟达Vera Rubin平台的专用推理扩展系统，主打小批量、低延迟、长上下文场景，核心通过两项技术设计解决通信开销问题。
为了规避运行时通信调度带来的性能损耗，Groq 3 LPX采用确定性执行架构。在任务开始运行前，编译器就已经掌握所有计算单元、高速内存、芯片间直连链路的全部信息，提前生成精确到时钟周期的传输时间表。
与传统 “数据到达后再申请链路、争抢带宽” 的动态调度不同，这套方案提前规划好每一份数据的传输时机与路径，完全省去了实时仲裁、链路冲突等待的时间，将芯片间通信的固定启动开销压到极低水平，让张量并行在小批量场景下也能发挥出加速效果。
除此之外，Groq 3 LPX还实现了细粒度的计算‑通信重叠，以此减少算力空转。传统推理模式需要等一整块矩阵运算全部完成，再统一传输结果，会产生明显的 “通信尾部” 等待时间。
Groq 3 LPX将计算拆分为320字节的极小粒度，每计算完一小块结果就立刻通过芯片间链路发送，实现计算与传输的高度重叠。这种 “边算边传” 的模式大幅压缩了总耗时，尤其适合长上下文推理中计算量最大的注意力算子。
三、实测验证：速度提升超30倍，性能几乎不受上下文长度影响
第三方机构Artificial Analysis选用谷歌开源的Gemma 4-31B稠密模型完成标准化测试。本次测试专门针对长上下文AI推理的输出速度开展评测，分别在1万tokens、10万tokens两种输入上下文条件下，验证硬件在不同上下文长度下的生成性能；同时额外开展代码生成专项测试，考察硬件处理智能体代码任务的实际表现。该模型于2026年4月发布，官方已针对英伟达算力平台做了性能适配，是行业通用的推理性能基准测试模型，核心结果如下：
10万tokens长上下文：中位数输出速度3431tokens/s，是当前公开最快端点（870tokens/s）的3.9倍；
1万tokens短上下文：中位数输出速度3382tokens/s，性能几乎不受上下文长度影响；
在SPEED-Bench编程基准中，Groq 3 LPX搭载同款Gemma 4‑31B模型，测得中位数速度达4767tokens/s，20%的任务速度超过5520tokens/s。
▲ Artificial Analysis测试结果
从体感来看，生成5000个token的内容，该方案仅需约1.5秒；而当前主流智能体工具速度约60tokens/s，完成相同内容需要近80秒，性能提升超过30倍。测试同时确认，该配置下模型输出无精度损失、无效果下降。
四、与Vera Rubin NVL72协同，支持三种部署模式
Groq 3 LPX并非独立运行的替代产品，而是Vera Rubin平台的能力扩展，与Vera Rubin NVL72机架形成互补：NVL72擅长大规模输入处理、长上下文缓存存储；Groq 3 LPX擅长高速解码生成。二者通过架构级协同，支持三种主流部署模式：
预填充-解码分离（标准模式）：NVL72负责处理输入上下文、生成KV缓存，交给LPX完成高速输出生成，实现 “读资料” 和 “写回答” 的硬件分工；
注意力-前馈网络分离：NVL72运行注意力层并维护缓存，LPX运行前馈网络层，机架间仅传输少量中间结果；
投机解码协同：LPX运行小型草稿模型快速生成候选token，NVL72上的大模型负责校验纠错，进一步提升整体生成速度。
官方表示，这套协同方案可支撑2万亿参数级别的多智能体系统，兼顾长上下文与高交互需求。
结语：架构协同新范式：AI智能体算力走向专用化分工
从通用GPU大一统，走向 “通用算力 + 专用推理” 的架构协同，正在成为AI算力的新趋势。除英伟达Groq 3 LPX方案外，行业内也出现了不少异构分离推理的探索：例如部分厂商将预填充与解码阶段拆分，由不同硬件分别承担上下文处理、token生成两类任务；Cerebras、AMD也推出了机架级异构推理方案，尝试把高吞吐的通用算力与低延迟专用推理硬件做组合调度。
Groq 3 LPX的量产落地，补上了Vera Rubin平台在高交互长上下文场景的能力短板，也为AI智能体、代码助手等强交互应用的规模化落地，提供了关键的算力支撑。不过异构架构也对软硬件调度、芯片间通信、KV缓存跨硬件流转提出更高的工程要求，后续还需要在生态适配、成本控制上持续打磨。
