GPU性能优化

两台 8x A800-40GB 节点跑 DeepSeek-V4.1-Flash（552B）怎么榨出性能？这篇记录从跨机通信瓶颈排除、203GB 知识库 CPU 锁页卸载，到用 Triton 编写 Small-Batch Sparse MLA 和 Fused Markov 采样内核的全过程，中并发下 ITL 下降 24.6%。