SGLANG跑RTX4090D-48G-QWEN3.6-27B-FP8配置

[用户名违规]

硬件环境：
CPU：2667v2x2
RAM：DDR3 128G（1066）
GF：RTX4090D-48G
SGlang 上下文：500K，上下文内容100-200k也能保持28t/s的推理速度
模型：Qwen3.6-27B-FP8
SGLANG顶峰值解码速度32/s，平均值28t/s，Prefill速度：1400-1600t/s。
和VLLM、llamacpp对比，快大概百分之30-50%。
吐槽一下llamacpp，15t/s的解码速率，gguf得多差啊！还是只有我这样配置问题？
vllm还在测试中。。

#!/bin/bash
# SGLang 0.5.15 — sglang serve
# Qwen3.6-27B-MTP | RTX 4090D 48G
set -euo pipefail

readonly SGLANG_VENV="/mnt/dataM4/venv_sglang"
readonly MODEL_PATH="/mnt/dataM4/models/Qwen3.6-27B-AEON-Ultimate-Uncensored-FP8-MTP"

export HF_HOME="/root/.cache/huggingface"
export TRITON_CACHE_DIR="/root/sglang_cache/triton/cache"
export TORCHINDUCTOR_CACHE_DIR="/root/sglang_cache/torch_compile"
export FLASH_ATTENTION_CUTE_CACHE_DIR="/root/sglang_cache/flash_attn_cute_cache"

export CUDA_HOME=/usr/local/cuda-12.8
export PATH="$CUDA_HOME/bin:$PATH"
export LD_LIBRARY_PATH="$CUDA_HOME/lib64"
export LD_LIBRARY_PATH="/mnt/dataM4/venv_sglang/lib/python3.11/site-packages/nvidia/cusparselt/lib:$LD_LIBRARY_PATH"
export CUDAHOSTCXX=/usr/bin/gcc-12
export CC=/usr/bin/gcc-12
export CXX=/usr/bin/g++-12

# 🔴 修正拼写
export PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True"
export CUDA_DEVICE_ORDER="PCI_BUS_ID"
export CUDA_VISIBLE_DEVICES="0"
export FLASHINFER_DISABLE_VERSION_CHECK=1
export FLASH_ATTENTION_CUTE_DSL_CACHE_ENABLED=1

source "${SGLANG_VENV}/bin/activate"

SGLANG_ARGS=(
  --model-path "${MODEL_PATH}"
  --host 0.0.0.0
  --port 30000
  --trust-remote-code
  --tp-size 1
  --attention-backend flashinfer
  --mamba-backend flashinfer
  --kv-cache-dtype fp8_e4m3
  --page-size 8
  --mem-fraction-static 0.94
  --max-running-requests 2
  --prefill-max-requests 1
  --schedule-policy lpm
  --schedule-conservativeness 1
  --mamba-radix-cache-strategy extra_buffer
  --mamba-ssm-dtype bfloat16
  --mamba-full-memory-ratio 0.08
  --tool-call-parser qwen3_coder
  --reasoning-parser qwen3
  --preferred-sampling-params '{"temperature": 0.6, "repetition_penalty": 1.2, "frequency_penalty": 0.5, "presence_penalty": 0.3}'
  --chunked-prefill-size 4096
  --max-prefill-tokens 8192
  --context-length 262144
  --radix-eviction-policy lru
  --cuda-graph-max-bs-decode 2
  --cuda-graph-bs-decode 1 2
  #--enable-metrics
  #--enable-streaming-session
  #--enable-request-time-stats-logging
  #--log-requests
  --log-requests-level 0
  --decode-log-interval 300  # 🟡 降低日志频率
  # 🟢 關閉 Uvicorn Access Log (排除所有路徑)
  --uvicorn-access-log-exclude-prefixes /
)

# 🟡 日志改到磁盘，避免占用系统内存
readonly SGLOG="/dev/shm/sglang/sglang.log"
mkdir -p "$(dirname "$SGLOG")"

# 日志轮转
if ! pgrep -f sglang_log_rotate > /dev/null 2>&1; then
    nohup bash /root/sglang_log_rotate.sh >/dev/null 2>&1 &
fi

exec sglang serve "${SGLANG_ARGS[@]}" >>"$SGLOG" 2>&1

[Xiaote]

你这配置跑15t/s是正常的，不是配置问题。原因主要有几个：

1. llama.cpp 的 GGUF 格式本身有量化开销 — FP8 在 SGLang 里是原生支持的，llama.cpp 这边要跑 Q4_K_M 或 Q5_K_M 才能接近 SGLang 的速度，但精度有损失。而你跑的是 FP8，llama.cpp 对 FP8 支持不如 SGLang 直接。

2. 内存带宽瓶颈 — 你的 DDR3 1066 是主要原因。llama.cpp 的 prompt processing 阶段要频繁读模型权重，DDR3 1066 的四通道也就约 68GB/s 带宽。SGLang 的 RadixAttention 和 prefix caching 能大幅减少 KV cache 读写，所以对系统内存带宽的依赖比 llama.cpp 小很多。

3. 对比数据：4090D 48G 跑 27B FP8 在 llama.cpp 上，如果开 --no-mmap 把模型完全加载到 GPU，应该能到 20-25t/s。你现在只有 15t/s，很可能是系统内存瓶颈导致 GPU 没吃满。

建议：

• 如果要用 llama.cpp，加 --no-mmap 确保模型驻留 GPU VRAM（你的 48G 完全够装 27B FP8，约 27GB）
• 设置 --ctx-size 8192 避免 context 膨胀拖慢 decode
• SGLang 28t/s 对 4090D 来说已经是很好的成绩了，说明你配置没问题

总的来说：SGLang 的 28t/s 是合理的，llama.cpp 15t/s 也正常（受平台和量化格式限制）。不是你的配置有问题。

[terry]

@用户名违规 prefill快很多吧，sg-lang最主要是缓存啊。

[用户名违规]

@terry prefill 1800-1400平均值。但是这个值我就是不清楚在4090D上面属于什么水平。cpp跑只有几百，vllm好像也不太行。

[fcme]

@用户名违规
27b稠密模型跑这个速度相当可以了呀，1500左右就算是比较可以接受了，在agent场景底下。要是又只有几百的话，那会等冒烟的。

[Abel T.P. Han]

大大相當可以了，我的環境 llama.cpp +rpc 顯卡 RTX 5060 ti 16G + RTX 3060 12G相當丐版的設備及環境跑27B，18 tok/s

[用户名违规]

@fcme 其实我想知道，别人的4090最顶的能跑多少，不知道是不是我的参数不太对。

[fcme]

@用户名违规
这个简单，你让你的AI助手联网扒一下就可以了，让他回答的时候带上信源，你顺便去核实一下

[用户名违规]

@fcme 基本上没找到。。没有可信信息。

[566656661]

SGLang相對比較少個人用戶吧...應該

[用户名违规]

@566656661 这个不知道，我起手就用的sglang。vllm和llamacpp速度太慢了，用了sglang回不去了。

[fcme]

ai要是搞不定那我们这种普通玩家也很难了，你给你的AI配个好点的搜索引擎吧。

[terry]

@用户名违规 你不需要最能顶跑多少，主要还是它prefill够快，然后就是4090 48G能多开，就是说实话，就它能可玩性高，其他的只能挂机。你的数据应该算很好的了，我今天测试是AWQ不稳定，FP8稳定的很，速度反正够用了，没详细看，就是驱动Agent很丝滑。

[terry]

@566656661 @用户名违规
SG-Lang好用，说真的，我今天测试了下，确实很好。

[566656661]

@terry

我找個時間設立一下SGLang再配合OpenCode使用

[terry]

@566656661 我直接接入的hermes，肯定不能和DeepSeek V4 Flash比，但总体上速度和在线模型差距不大了，就不会有便秘感觉。

[terry]

吐槽一下llamacpp，15t/s的解码速率，gguf得多差啊！还是只有我这样配置问题？
vllm还在测试中。。

VLLM不要测试了，其实高不成低不就，要跑Agent，目前就是SG-Lang+Qwen3.6 27b最好用。Llama.cpp 是你自己的设置问题我，我什么都不优化，不开MTP都45t/s，它的问题就是缓存不行，prefill慢到吐血。我今天明天发两个视频，第二个视频里我录个实际的效果你去对比下，看看速度如何。

我这边用AWQ的模型不行，不知道哪里出了问题，你可以贴下参数，我用的是FP8模型。然后上下文是开满了，长期运行之后，占用了41.5G 显存，驱动Herms速度比Llama.cpp和VLLM快多了。

[用户名违规]

@terry

#!/bin/bash
# Qwen3.6-27B-Fable Q6_K — llama.cpp 启动配置（优化版）
# GPU: RTX 4090D (48G) | 模型: 64 层混合 (16 Full Attention + 48 SSM)
# 目标：全 GPU 卸载，0 层在 CPU
# 优化：Q8_0→Q6_K + KV q4_0 + 线程调优，目标 25-28 t/s

set -e

# ═══════════════════════════════════════════
# 参数说明（每个都加注释）
# ═══════════════════════════════════════════

MODEL="/mnt/dataM4/models/Qwen3.6-27B-Fable-Fus-711-UnHeretic-NM-DAU-NEO-MAX-NEO-Q8_0.gguf"

# --gpu-layers 64: 全部 64 层都加载到 GPU 显存（不卸载到 CPU）
# 如果设 32 就只有前 32 层在 GPU，后 32 层在 CPU，速度减半
GPU_LAYERS=64

# --ctx-size 262144: 上下文窗口 262K tokens（模型原生支持 262144）
# 显存开销：KV Cache ~8GB（q8_0 量化）
CTX_SIZE=262144

# --batch-size 8192: 逻辑 batch（prefill 阶段一次处理多少 token）
# 决定 prompt 阶段的速度，越大 prefilled 越快
BATCH_SIZE=8192

# --ubatch-size 4096: 物理 batch（GPU 计算缓冲大小）
# GPU 内存里同时计算的 token 数，不超过显存
UBATCH_SIZE=4096

# --threads 6: 生成阶段 CPU 线程数（每生成 1 个 token）
# 纯 GPU 时影响不大，设小点省 CPU，避免线程调度开销
THREADS=6

# --threads-batch 8: Prefill 阶段 CPU 线程数（处理 prompt）
# 降低到 8，减少 CPU 竞争，GPU 是瓶颈不是 CPU
THREADS_BATCH=8

# --temp 0.7: 采样温度（0=确定性强，1.0=随机性强）
TEMP=0.6

# --top-p 0.95: Nucleus 采样，累积概率到 0.95 截断
TOP_P=0.95

# --top-k 20: 只选概率最高的 20 个 token 参与采样
TOP_K=20

# --flash-attn on: 开启 Flash Attention（RTX 4090D SM89 原生支持）
# 对 Qwen3.5 混合架构的 Full Attention 层有显著加速
FLASH_ATTN=on

# --cache-type-k/v q4_0: KV Cache 用 Q4_0 量化（大幅降低带宽压力）
# 实测：q4_0 KV cache 对生成质量影响<1%，但 decode 速度提升 10-15%
# bf16=16bit(大精度), q8_0=8bit, q4_0=4bit(最佳性价比)
CACHE_TYPE=q8_0

# --port 11434: 默认 Ollama 兼容端口
PORT=11434

# ═══════════════════════════════════════════
# 启动命令 — 全 GPU，无 CPU offload
# ═══════════════════════════════════════════

exec llama-server \
  --model "$MODEL" \
  --port "$PORT" \
  --ctx-size "$CTX_SIZE" \
  --batch-size "$BATCH_SIZE" \
  --ubatch-size "$UBATCH_SIZE" \
  --gpu-layers "$GPU_LAYERS" \
  --threads "$THREADS" \
  --threads-batch "$THREADS_BATCH" \
  --temp "$TEMP" \
  --top-p "$TOP_P" \
  --top-k "$TOP_K" \
  --flash-attn "$FLASH_ATTN" \
  --cache-type-k "$CACHE_TYPE" \
  --cache-type-v "$CACHE_TYPE" \
  --no-mmap \
  --mlock
  -ngl 99

，你llamacpp 跑45t/s？贴一下参数呗，有点夸张啊，我怎么设置都上不去。我是按照sglang的思路设置的。不开MTP45t/s 很顶啊。prefill cpp确实不快。我用sglang显存很容易到47G。你这个占用只有41.5g，咋配置的。？sglang 频繁上下文 prefill 也解决了。基本上随便浪了。命中率99%

[applejuice]

跟着 https://github.com/mattbucci/2x-3090-GA102-300-A1-sglang-inference
我也用起来了 3090x2

python -m sglang.launch_server
--model-path /home/ccadmin/AI/models/hf-mattbucci/Qwen3.6-27B-AWQ
--tensor-parallel-size 2
--dtype float16
--kv-cache-dtype fp8_e4m3
--context-length 262144
--mem-fraction-static 0.85
--max-running-requests 8
--chunked-prefill-size 8192
--num-continuous-decode-steps 32
--trust-remote-code
--watchdog-timeout 600
--port 30000
--host 0.0.0.0
--enable-metrics
--disable-custom-all-reduce
--served-model-name qwen36-dense
--max-mamba-cache-size 8
--chat-template …/Qwen3.6-27B-AWQ/chat_template.jinja
--reasoning-parser qwen3
--sampling-defaults model
--tool-call-parser qwen3_coder
--sampling-backend pytorch

Prefill (time-to-first-token, max_tokens=1)

Prompt tokens	TTFT (s)	Prefill rate (tok/s)
1,344	1.12	1,203
5,352	3.83	1,398
10,680	7.71	1,386
21,336	15.58	1,369
42,672	33.41	1,277
Typical	—	~1,350

Decode (steady-state generation)

Metric	Value
Completion tokens	571
Time (s)	9.16
Decode rate	62.3 tok/s
GPU utilization	98%
Power draw	244 W (cap)
Repo ref (w/ NVLink)	69 tok/s

[用户名违规]

@applejuice 你是啥显卡。两张3090？