Windows 支援與新模型格式整合

Infernix 此次更新將 Windows 列為一級支援平台，使用者可從 GitHub Releases 頁面直接下載所需檔案執行。

引擎新增對多種 Qwen3.8-Flash-Next 模型格式的原生支援，包括 NVIDIA 推出的 QAD FP4 版本、GSQ-RCO-IQ3_S 量化模型以及 Full FP8 版本。其中 Full FP8 版本雖然速度較慢，但能與官方 FP8 模型保持位元級精確一致（bit-exact）。

此外，更新也支援 Ornith 1.5 122B NVFP4 模型及其無審查版本，以及 Swift 1.5 Qwen3.8-Flash-Next NVFP4 Dense8 模型。開發者指出，Ornith 1.5 雖有亮眼的基準測試表現，但其對該模型的實際品質影響仍持保留態度。

推論速度與精度的權衡策略

Infernix 在速度優化上採取不同於其他引擎的策略，避免犧牲模型品質的激進優化手段，例如預設不啟用專家尾端跳過（expert tail skipping）或低於建議值的量化精度。開發者強調，這使得 Infernix 在多數情況下表現優於 Strata，偶爾超越 Basalt，但部分階段會使用比 Basalt 更高的計算精度。

若使用者願意犧牲部分品質以換取速度，可透過參數啟用專家尾端跳過（--expert-tail-skip）或將激活值降至 8-bit（--a8-activations）。預設情況下，Infernix 遵循 NVIDIA 建議使用 4-bit 激活值，但在解碼階段對專家層保留 8-bit 精度。

新增的 --lossless 模式可確保結果完全可重現，並使用與模型訓練時相同精度的位元級計算（通常為 BF16）及 FP32 logits。此模式主要用於品質測試基準，開發者正致力於建立更嚴謹的品質門檻機制，以驗證優化不會影響輸出品質。

與 Strata 及 Basalt 的性能對比數據

在 Qwen3.8-Flash-Next NVFP4 權重模型的測試中，Infernix 的首字元生成時間比 Strata v0.2.8 快 1.4 至 1.6 倍（128K 上下文長度下），但在 250K 長度時慢 4%。與 Basalt c08284cb 相比，Infernix 的首字元生成時間快 5 至 8 倍，但整體解碼速度在部分情境下較慢。

具體數據顯示，在 NVFP4 模型上，Basalt 將 NVIDIA 的 BF16 密集層以 6-bit 運行（根據 Basalt 自身測量，這會導致 KL 散度增加 10%），並將專家層以外的所有激活值降至 8-bit；而 Infernix 則保留 16-bit 激活值。當 Infernix 啟用 --a8-activations 時，其解碼速度在約 8K、128K 及 250K 上下文長度下分別為 199/185/268 tok/s，略低於 Basalt 的 202/173/216 tok/s，但首字元生成時間仍快 4 至 6 倍。

在 IQ3_S GGUF 模型測試中，Strata 與 Basalt 均將所有激活值計算為 8-bit，且 Basalt 從 8-bit 副本讀取 BF16 超連接矩陣，並從輸出頭的 2-bit 副本獲取 logits；Infernix 則保留 16-bit 激活值、BF16 矩陣及 GGUF 原始頭部。在此設定下，Infernix 的首字元生成時間與 Basalt 相當，但 Basalt 整體速度仍稍快。

自動配置與使用者介面改進

更新引入了新的 WebUI 啟動器（Beta 版），提供類似 LMStudio 或 Unsloth 的圖形化介面，用於下載、配置模型及切換模型。該介面包含統計儀表板、日誌記錄及快速測試聊天功能，目前處於早期階段，介面較為複雜但旨在簡化 Infernix 的使用流程。

引擎新增自動推測解碼（speculative decoding）配置功能，透過校準後的設定在不同類型文本中提供最佳的每秒生成 token 數（tok/sec）。使用者只需使用 --spec auto --draft-tokens auto 並指定草稿模型路徑即可啟用此功能。

針對 Qwen3.8-Flash-Next 模型，新增了 DFlash2 草稿模型支援，可透過指定草稿模型檔案路徑來進一步加速推論過程。開發者表示將盡快支援即將發布的 Qwen 4 模型。