For AI agents: the complete documentation index is available at https://a3s-lab.github.io/Power/v1.0.0/llms.txt, the full documentation bundle is available at https://a3s-lab.github.io/Power/v1.0.0/llms-full.txt, and this page is available as Markdown at https://a3s-lab.github.io/Power/v1.0.0/index.md.
A3S Power
  • 简体中文
  • v1.0.0

      • 模型由你定义。执行交给 Power。

      在 Rust 进程或服务端运行语言、视觉、OCR、嵌入和音频模型。Power 统一处理设备、队列、权重和执行记录，不改写模型逻辑。

      开始接入 查看实测性能
      $cargo add a3s-power --no-default-features -F embedded-inference
      3
      CPU、CUDA、Metal 设备
      4
      种后端与嵌入路径
      Q6_K
      当前目标模型验收
      一次前向，验证多个 tokenMTP · K7 / S7

      一套运行时，守住三件事。

      资源有边界

      先检查内存、设备和队列，再执行。超出限制就明确拒绝，不靠隐式回退兜底。

      结果可追溯

      模型、配置、设备、输入和输出写入同一份执行回执，之后可以独立核对。

      验收权在调用方

      客户端按自己的哈希和策略验收，服务端不能悄悄放宽条件。

      速度来自整条执行路径。

      Power 不提供一个含糊的“极速开关”。图、张量、推测解码、调度和权重分别优化；任何快路径都保留精确回退。

      查看全部优化方法

      图与内核

      负责模型 + 后端

      固定常用形状，复用 CUDA Graph；再按实际批量决定是否启用 Flash Attention 和融合算子。

      • 有限形状
      • CUDA Graph
      • Flash Attention
      • 算子融合

      张量路径

      负责Power

      合并小请求，让相邻计算图直接传递设备内结果，只在最终输出时复制一次。

      • 微批处理
      • 张量批次
      • 设备驻留
      • 单次复制

      推测解码

      负责Power + 后端

      草稿负责猜，目标模型负责验。只提交通过的 token；遇到不匹配就回到最后一个正确位置。

      • 目标模型校验
      • K / S 形状
      • MTP / FR
      • 精确回滚

      调度与副本

      负责Power + 主机

      队列、连续批处理和会话副本共用同一设备预算；主机再配置 GPU 优先级和 CPU 亲和性。

      • 设备准入
      • 连续批处理
      • 会话副本
      • 主机调度

      权重与驻留

      负责Power

      按需读取、预取和缓存热点权重；缓存不足时回到原始制品，张量身份始终不变。

      • LFRU
      • 异步预取
      • 驻留计划
      • 局部镜像

      上线前验证

      负责Power + 客户端

      同一输入交替测试新旧配置。速度更快、输出一致、质量过线，才允许替换原路径。

      • 双顺序 A/B
      • 输出一致
      • 质量门槛
      • 硬件记录

      一台 RTX 4090，一组可复现结果。

      Qwen3.8-27B · 原始 Q6_K · 峰值 revision da2c1dd · 质量 revision 64aef15

      复现这组数据
      174.413
      Q6_K 稳态解码中位数 token/s
      41.035
      MTP 质量负载请求全程 token/s
      73.57%
      相对自回归的请求全程提升
      6 / 6
      质量轮次通过 GPU 独占校验
      模式质量证据请求全程 t/s稳态 t/s
      Q6_K / AR · 3×10067 / 6023.642—
      Q6_K + MTP / full · 3×100当前67 / 5841.035—
      Q6_K + MTP / FR · K7/S6/B11输出哈希一致—174.413

      174.413 token/s 是 9 次 1,024-token 稳态解码的中位数，最低 172.723，不是 175 token/s 服务保底值。MTP 在 3×100 题上快 1.736 倍，但严格分数从 60/100 降到 58/100，因此不是无损默认模式。

      按你的方式接入。

      Rust 库

      直接嵌入进程

      不监听端口，不启动子进程。模型代码直接使用设备、队列、状态和执行回执。

      embedded-inference
      推理服务

      接入现有客户端

      提供 OpenAI 兼容 API，支持对话、补全、嵌入和模型管理；需要时可启用 RA-TLS 或 vsock。

      server + backend
      制品安装

      安全落盘模型

      流式下载模型，校验大小与 SHA-256，最后在跨进程锁内一次原子提交。

      artifact-provisioning

      Power 管执行，不替模型做决定。

      模型 crate 决定拓扑、分词、预处理和质量策略；Power 提供设备、调度、完整性、隐私和验证。接入新模型不需要修改运行时核心。

      查看架构边界
      1. →
        准入内存和队列够不够？
      2. →
        执行使用哪条设备路径？
      3. →
        提交这次输出绑定了什么？
      4. 验收调用方是否接受？

      先接入一个模型。

      用嵌入式运行时开始，或直接启动 OpenAI 兼容服务。性能优化和执行验证都可以沿用同一套接口。
      快速开始 查看源码