【菜科解读】

一、力学部分

牛顿第二定律：F=ma

F是物体所受的合力，m是物体的质量，a是物体的加速度。

动量定理：p=mv

p是动量，m是质量，v是速度。

动能定理：E_k=1/2mv²

E_k是动能，m是质量，v是速度。

万有引力定律：F=G(m₁m₂)/r²

F是两个物体之间的万有引力，G是万有引力常数，m₁和m₂是两个物体的质量，r是两个物体之间的距离。

匀变速直线运动公式：

平均速度：V平=s/t

末速度：Vt=Vo+at

位移：s=Vot+at²/2=Vt/2t

加速度：a=(Vt-Vo)/t

自由落体运动公式：

末速度：Vt=gt

下落高度：h=gt²/2

竖直上抛运动公式：

位移：s=Vot-gt²/2

末速度：Vt=Vo-gt

平抛运动公式：

水平方向速度：Vx=Vo

竖直方向速度：Vy=gt

水平方向位移：x=Vot

竖直方向位移：y=gt²/2

二、电学部分

欧姆定律：I=U/R

I是电流，U是电压，R是电阻。

电功率：P=UI

P是电功率，U是电压，I是电流。

电阻定律：R=ρL/S

R是电阻，ρ是电阻率，L是导体的长度，S是导体横截面积。

电场强度：E=F/q

E是电场强度，F是电场力，q是电荷量。

闭合电路欧姆定律：I=E/(r+R) 或 E=Ir+IR

I是电路中的总电流，E是电源电动势，R是外电路电阻，r是电源内阻。

三、热学部分

热力学第一定律：ΔU=Q-W

ΔU是内能的变化量，Q是吸收的热量，W是对外做的功。

理想气体状态方程：PV=nRT

P是压强，V是体积，n是物质的量，R是理想气体常数，T是温度。

四、光学部分

折射定律：n₁sinθ₁=n₂sinθ₂

n₁和n₂是两种介质的折射率，θ₁和θ₂是光线在两种介质中的入射角和折射角。

透镜成像公式：1/f=1/u+1/v

f是焦距，u是物距，v是像距。

五、原子物理部分

光电效应方程：E_k=hν-W

E_k是光电子的最大初动能，h是普朗克常数，ν是入射光的频率，W是逸出功。

德布罗意波长：λ=h/p

λ是德布罗意波长，h是普朗克常数，p是动量。

六、功和能

功：W=Fscosα

W是功，F是恒力，s是位移，α是F、s间的夹角。

功率：P=W/t

P是功率，W是t时间内所做的功，t是做功所用时间。

动能定理：W合=mvt²/2-mvo²/2 或 W合=ΔEK

W合是外力对物体做的总功，ΔEK是动能的变化量。

为什么物理定律要禁止超光速 光锥之内皆命运是什么意思

在狭义相对论中，因果关系和光锥是相互依存的，因为任何信息的传递速度都不能超过光速，而光锥内的所有事件都可以相互影响，而光锥之外的事件则无法相互影响。

光锥的宇宙学意义在于它揭示了我们对宇宙的认识的局限性，同时也保证了因果关系的存在。

在狭义相对论中，因果关系和光锥这一概念有着紧密的联系。

光锥是一个四维空间-时间中的三维圆锥体，由一个事件发出的光在空间-时间中形成。

从这个角度来看，光锥的宇宙学意义在于它决定了能够观测到的宇宙范围，人们只能访问光锥之类的时空点，而对于光锥之外的时空点，则无能为力。

要理解光锥的物理意义，必须先了解狭义相对论的基本原理。

狭义相对论是在牛顿力学的基础上发展而来的，主要是修正了牛顿力学在高速运动和强引力场下的局限性。

在狭义相对论中，时空是一个整体，由四个维度组成，即三维空间和一维时间。

物体的运动状态可以用四维时空中的一个点来表示，这个点被称为事件。

在时空图中，可以用一条直线来表示物体在时间上的运动轨迹，这条直线被称为物体的世界线。

对于静止的物体，其世界线是一条竖直线，而对于运动的物体，则是一条斜线。

光子的世界线是一条沿着45度角上升的斜线，我们将光子的世界线称为类光线。

由于光可以向任何方向传播，因此它的世界线正好形成了一个光锥。

根据狭义相对论的原理，任何物质的速度都不能超过光速。

这一原理导致了光锥的特殊性质，即光锥内的所有事件都可以相互影响，而光锥之外的事件则无法相互影响。

这也就是为什么我们只能访问光锥之类的时空点，而对于光锥之外的时空点，我们则无法获取任何信息。

超光速传输的存在会违反因果关系，这是因为信息的传递速度不能超过光速。

如果某个事件的发生需要依赖于另一个事件的发生，那么这两个事件之间就存在着因果关系。

如果我们通过超光速通信系统来传递信息，那就可能会导致一个事件在另一个事件之前发生，这样就破坏了因果关系。

在时空图中添加一个低于光速运动的物体的世界线会导致什么情况呢？在时空图中，低于光速运动的物体的世界线位于类光线的上方，而超光速运动的物体的世界线则位于类光线的下方。

由于任何信息的传递速度不能超过光速，因此我们只能访问光锥之类的时空点，而对于光锥之外的时空点，我们则无能为力。

如果将超光速通信系统从时空图中移除，那通过时间切片可以看到飞船感知的事件序列是超新星爆炸，地球观察到该事件，比邻星观察到该事件。

这一过程并没有违反因果关系，在相对论中信息传递速度不能超过光速的本质原因是因果关系。

英伟达力荐，小团队两个月开源一款「光速级」智能体推理引擎

尤其是在 Coding Agent 爆发之后，算力问题变得前所未有地尖锐。

Claude Code、Codex、Cursor 等产品正在把 AI 从「问答工具」变成「持续运行的软件协作者」，单次会话轻松突破 50K tokens，系统负载转向了更极端、更复杂的智能体负载。

最近有关算力的大新闻层出不穷。

今天的最新消息：马斯克的 SpaceX 与 Anthropic 宣布达成了重磅协议，超过 22 万块英伟达 GPU 将为 Anthropic 所用。

而 Anthropic 对与 SpaceX 合作开发未来的太空算力体系「表示有兴趣」。

在如此庞大的算力需求下，除了开源还有节流。

也是今天的最新消息：OpenAI 发布了多路径可靠连接 (MRC)，可帮助大型 AI 训练集群更快、更可靠地运行，并减少 GPU 时间的浪费。

我们知道，即便只是单 GPU 吞吐率上的微小提升，一旦应用到生产级集群中，也能够在服务持续增长需求的同时，节约相当可观的算力。

来自 LightSeek Foundation 的一个小团队，在两个月时间内打造了一个全新的，号称「光速」的大模型推理引擎 TokenSpeed。

这一引擎拥有 TensorRT LLM 级别的性能，vLLM 级别的易用性。

并且拥有 NVIDIA Blackwell 上最快的 MLA 注意力内核。

一经发布，TokenSpeed 就受到了英伟达发推文力荐。

目前，该引擎已经开源。

让我们参阅其技术博客，来深入了解「光速」引擎的技术细节。

博客标题：TokenSpeed: A Speed-of-Light LLM Inference Engine for Agentic Workloads 博客链接：https://lightseek.org/blog/lightseek-tokenspeed.html Github 链接：https://github.com/lightseekorg/tokenspeed TokenSpeed 技术简介 TokenSpeed 从第一性原理出发，专门为智能体推理场景设计。

它为智能体负载提供接近「光速级」的推理能力，核心包括：基于编译器的并行建模机制、高性能调度器、安全的 KV 资源复用约束、支持异构加速器的可插拔分层 kernel 系统，以及用于低开销 CPU 侧请求入口的 SMG 集成。

建模层采用本地 SPMD（Single Program, Multiple Data，单程序多数据）设计，在性能与易用性之间取得平衡。

TokenSpeed 允许开发者在模块边界指定 I/O placement 注解。

随后，一个轻量级静态编译器会在模型构建过程中自动生成所需的 collective operation，从而无需手动实现通信逻辑。

TokenSpeed 调度器将控制平面（control plane）与执行平面（execution plane）解耦。

控制平面使用 C++ 实现，并被构建为一个有限状态机（FSM），结合类型系统，在编译期而非运行期强制执行安全资源管理，包括 KV cache 状态转移与使用。

请求生命周期、KV cache 资源以及重叠执行时序，都通过显式 FSM 状态迁移与所有权语义进行表示，因此系统正确性并非依赖约定，而是由一个可验证的控制系统来保证。

执行平面则使用 Python 实现，以保持开发效率，使研究人员与工程师能够更快进行功能迭代，并降低整体认知负载。

TokenSpeed 的 kernel 层将 kernel 从核心引擎中解耦，并将其视为一级模块化子系统。

它提供了可移植的公共 API、集中的注册与选择机制、组织良好的实现结构、面向异构加速器的可扩展插件机制、经过整理的依赖体系，以及统一的快速迭代基础设施。

与此同时，团队还针对 NVIDIA Blackwell 架构进行了大量性能优化。

例如，他们构建了当前智能体负载场景下速度最快的 MLA（Multi-head Latent Attention，多头潜在注意力）kernel 之一。

在 decode kernel 中，由于部分场景下「num_heads」较小，团队通过对「q_seqlen」与「num_heads」进行分组，以更充分利用 Tensor Core 的计算能力。

而 binary prefill kernel 则包含了经过精细调优的 softmax 实现。

目前，TokenSpeed MLA 已被 vLLM 采用。

TokenSpeed 性能预览 Coding Agents（编码智能体）带来了异常严苛的推理工作负载，上下文通常会超过 50K tokens，对话也经常跨越数十轮。

大多数公开基准测试并不能充分捕捉这种行为。

研发团队与 EvalScope 团队一起，基于 SWE-smith 轨迹对 TokenSpeed 进行评估，这些轨迹密切反映了生产环境中 Coding Agents 的流量情况。

由于生成速度对 Agent 的用户体验至关重要，因此，团队的目标是在维持单用户 TPS（每秒 token 数）下限的同时，最大化单 GPU 的 TPM（每分钟 token 数）—— 通常是 70 TPS，有时是 200 TPS 或更高。

此外，研发团队针对 TensorRT-LLM（目前 NVIDIA Blackwell 平台上的最高水平）对这一设计进行了基准测试，并在认为针对 Agentic workloads 存在更好权衡的地方，采取了与之不同的设计方案。

下图展示了在不同部署配置下（无 PD 解耦），TokenSpeed 与 TensorRT-LLM 的 Kimi K2.5 性能帕累托曲线（Pareto curves）。

每条曲线都以 TPS/User（横轴）作为延迟指标，以 TPM/GPU（纵轴）作为吞吐指标，并通过扫描并发数绘制而成。

对于 Coding Agents（高于 70 TPS/User），最佳配置是 Attention TP4 + MoE TP4。

在这一配置下，TokenSpeed 在整个帕累托前沿上均优于 TensorRT-LLM：在最低延迟场景下（batch size 1）大约快 9%，在 100 TPS/User 附近吞吐量大约高 11%。

团队表示，他们的核心优化之一是 TokenSpeed MLA。

下图对比了 TokenSpeed MLA 与 TensorRT-LLM 的 MLA，后者是目前 NVIDIA Blackwell 上的 SoTA。

可以看出来，优化后的二进制版本预填充内核（prefill kernel），使用 NVIDIA 内部旋钮来微调 softmax 实现，在 Coding Agents 的五种典型预填充工作负载（带长前缀 KV cache 的 prefill）中，都超过了 TensorRT-LLM 的 MLA。

解码内核则将查询序列轴折叠进头轴，以更好地填充 BMM1 的 M tile，从而提升 Tensor Core 利用率。

结合其他优化，在带有 speculative decoding 的典型解码工作负载中（batch size 为 4、8、16，且带长前缀 KV cache），这使得相对于 TensorRT-LLM 来说，延迟几乎降低了一半。

最后，研发团队也表示，该项目于 2026 年 3 月中旬启动开发，虽然目前展示了惊人的性能，但仍有大量底层代码（如 PD 分离、KV 存储等）正在合并和完善中，接下来将继续推进。

从上述性能表现来看，不难看出，TokenSpeed 的出现旨在通过更现代化的架构设计，打破传统推理框架在易用性与极致性能之间的平衡点，为大规模 Agent 部署提供了一个高性能、开源的底座。

而英伟达的力荐，也说明推理引擎正在成为 Agent 时代基础设施竞争的一个新焦点。

更多信息，请参阅原博客！ 参考链接： https://x.com/lightseekorg/status/2052048105412141376 https://x.com/NVIDIAAI/status/2052061195381911806