SGLang 与 Miles 团队称，他们提前获得两个 NVIDIA Vera Rubin 节点（共 8 块 GPU），把 SGLang 推理和 Miles 强化学习训练都跑在了这一代平台上。针对 Kimi K3 NVFP4 推理，团队调整了 attention、MoE/通信与 KDA 核函数，报告 MLA 深流水线在 batch 16、128k 上下文下快 16%，split-KV 归并快 20%，融合 MoE 尾部使端到端提速 5.9%，并消除了每步 276 次核函数启动。训练侧 Miles 以 SGLang 做 rollout、Megatron 做训练，在单托盘 4 块 GPU 上跑通 Qwen3-30B-A3B 与 DeepSeek-V4-Flash 的端到端 RL，并在 Vera CPU 上用 64 个沙箱做 agentic RL（SWE-bench Verified）。团队还援引 Cognition 的说法，称其基于自有 SGLang 分支部署 Vera Rubin NVL72 后，总 token 吞吐相比 GB200 NVL72 最高提升 4.8 倍。

NVIDIA·NVIDIA Vera Rubin·SGLang·+5