README_SPEED.md

## 测速结果的补充说明
- GPU测速
  - 我们采用业界广泛使用的推理部署开源框架[vllm](https://github.com/vllm-project/vllm)进行推理速度测试
  - 实验配置为：max_num_seqs=8, prefill_tokens=128 and decode_tokens=128，测试设备为NVIDIA A100
  - vLLM的serving工作流并不存在batch_size的概念，这里采用max_num_seqs（每次迭代的最大序列数）来近似此概念。
  - 测试脚本详见 [throughput-benchmarking](https://github.com/infinigence/Infini-Megrez/tree/main?tab=readme-ov-file#throughput-benchmarking)
- CPU测速
  - 与GPU不同，CPU上存在llama.cpp、Ollama、厂商自研等多种推理框架
  - 我们选择Intel [ipex-llm](https://github.com/intel-analytics/ipex-llm/tree/main/python/llm/example/CPU/vLLM-Serving)作为CPU推理引擎
  - 实验配置为：max_num_seqs=1 prefill_tokens=128 and decode_tokens=128，测试设备为Intel(R) Xeon(R) Platinum 8358P 
  - 注意：Intel的ipex-llm方案仅支持qwen, baichuan, llama等结构，暂不支持MiniCPM系列
- 手机平台测试
  - TBD
- 嵌入式平台测试
  - 我们在瑞星微RK3576上进行了速度测试，选用厂商提供的[rknn-llm](https://github.com/airockchip/rknn-llm)框架

## 测速结果汇总

|                       | Megrez-3B | Qwen2.5-3B | MiniCPM3   | MiniCPM-2B   |
|-----------------------|-----------|------------|--------|--------|
| A100 (BF16)           | 1159.93   | 1123.38    | 455.44 | 978.96 |
| Intel(R) Xeon(R) Platinum 8358P (IPEX INT4) | 27.49     | 25.99      | X      | 22.84  |
| RK3576 (INT4)         | 8.79      | 7.73       | X      | 6.45   |