之前使用Ollama基于顺序调用的场景比较了3090和4090的显卡性能：
同时，又基于3090显卡比较了Ollama和vLLM在顺序调用和多并发推理场景下的性能差异：
这里再使用vLLM测试下大模型并发推理场景下3090和4090两张显卡的性能表现，看下4090是否在高并发场景下具备更高的扩展性。
在GPU算力租用平台 晨涧云(https://www.mornai.cn) 分别租用3090显卡和4090显卡的vLLM云容器进行测试。
大模型选择
选择 Qwen3的模型进行测试，考虑到都是24GB的显存，选择的是FP16精度的qwen3:8b模型进行测试。
借助DeepSeek 生成测试脚本，调整脚本控制变量：
- 使用复杂度近似的N个prompts；
MAX_TOKENS配置256，让每次请求需要一定的生成时长便于采样显卡的使用指标，减少波动；- 选择
[1, 4, 8, 16]4种BATCH_SIZES测试不同并发度下的性能表现； - 每轮测试执行3次推理，指标取平均；
- 同时需要模型预热，消除第一次推理响应延时过大的问题。
然后执行推理性能测试脚本，查看输出结果。
3090推理性能
4090推理性能
测试结果解释
- Batch Size：一次推理调用的并发prompt数量
- 平均耗时 (s) ：多次推理平均响应时长
- 平均吞吐量 (tokens/s) ：多次推理平均Token生成速度
- 平均显存 (MB) ：多次推理平均显存使用量
- 平均GPU使用率(%) ：多次推理平均GPU使用率
3090显卡和4090显卡在模型推理过程中的显存和GPU使用率都比较接近，主要看平均耗时及平均吞吐量两个指标：
| Batch Size | RTX 3090 | RTX 4090 | 对比 | |
|---|---|---|---|---|
| 1 | 平均耗时(s) | 5.44 | 4.61 | |
| 1 | 平均吞吐量(tokens/s) | 47.10 | 55.60 | 118.0% |
| 4 | 平均耗时(s) | 5.61 | 4.87 | |
| 4 | 平均吞吐量(tokens/s) | 182.70 | 210.40 | 115.2% |
| 8 | 平均耗时(s) | 5.82 | 4.94 | |
| 8 | 平均吞吐量(tokens/s) | 351.90 | 414.50 | 117.8% |
| 16 | 平均耗时(s) | 6.42 | 5.13 | |
| 16 | 平均吞吐量(tokens/s) | 638.40 | 798.50 | 125.1% |
1～8并发度场景下，3090和4090的推理性能均保持稳定，4090比3090高17%左右；在16并发度下3090开始遇到性能瓶颈，而4090显然较3090有更充足的剩余性能空间。
