跳转至内容
  • 版块
  • 最新
  • 标签
  • 热门
  • 用户
  • 群组
皮肤
  • 浅色
  • Brite
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • 深色
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • 默认(LCZ-Blue)
  • 不使用皮肤
  • LCZ-Green
  • LCZ-Blue
  • LCZ-Black
折叠
品牌标识

抡锤者

首页 版块 标签
硬件
装备秀
AI 广场
  1. 主页
  2. 版块
  3. LLM讨论区
  4. Qwen3.8 27B Q5_K_M + 7900xtx + DeepSeek Harness实战平均 52 t/s

Qwen3.8 27B Q5_K_M + 7900xtx + DeepSeek Harness实战平均 52 t/s

已定时 已固定 已锁定 已移动 热议 LLM讨论区
qwen-27b7900xtxdsharness
43 帖子 18 发布者 3.2k 浏览 6 关注中
  • 从旧到新
  • 从新到旧
  • 最多赞同
回复
  • 在新帖中回复
登录后回复
此主题已被删除。只有拥有主题管理权限的用户可以查看。
  • E exllm

    @6cccccc 你BIOS开above 4G decoding了吗?

    terryT
    terryT
    terry
    超级版主
    发表于 最后由 编辑
    #27

    @exllm 开不开影响都不大,我实测没感觉出来区别,但是有大神测了有区别。

    油管:https://www.youtube.com/@抡锤者

    1 条回复 最后回复
    0
    • 6 6cccccc

      为啥我的启动参数是这样:
      -m "$SELECTED_MODEL" -t 10 -b 512 -ub 256
      --spec-draft-n-max 3 --fit off --no-context-shift
      --metrics --kv-unified --jinja
      --cache-type-k q8_0 --cache-type-v q8_0
      -fa on --spec-type draft-mtp
      --ctx-size 131072 --parallel 1 -ngl -1
      --host 0.0.0.0 --port $LLAMA_PORT
      --chat-template-kwargs {"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}
      --no-mmap --temp 0.6 --top-p 0.5 --top-k 15 --repeat-penalty 1.0
      --alias qwen3.8-27b-q5
      仍然速度很低,只有12左右
      配置如下
      cpu: AMD Ryzen 7 2700 Eight-Core Processor (8核16线程, 3.2GHz)
      RAM: 64GB DDR4
      GPU: AMD Radeon RX 7900 XTX 24GB (RADV NAVI31)
      OS: Ubuntu 26.04 LTS (内核 7.0.0-29-generic)
      软件 : llama.cpp Vulkan b10486

      懒人烘培懒
      懒人烘培懒
      懒人烘培
      德高望重 劳动模范
      发表于 最后由 编辑
      #28

      @6cccccc
      刚才实际测试了,如果开启Thinking了,速度也只有16,把Thinking Off后,速度我就恢复了70了。注意

      双 7900 XTX:模型本地跑,Token 随便烧!

      6 1 条回复 最后回复
      0
      • Michael GillM
        Michael GillM
        Michael Gill
        发表于 最后由 编辑
        #29

        @exllm @terry 感谢二位,以为本地部署没啥希望,刚好是7900xtx,简单测试

        fca927c4-1f8f-4a08-b70c-feeb467a8ba1-image.jpeg

        9383fec9-16fa-4792-b1dd-d25cc6dcaad5-image.jpeg

        1 条回复 最后回复
        0
        • farmer nodeF
          farmer nodeF
          farmer node
          德高望重 劳动模范
          发表于 最后由 编辑
          #30
          此主題已被删除!
          1 条回复 最后回复
          0
          • E exllm

            @6cccccc 你BIOS开above 4G decoding了吗?

            6
            6
            6cccccc
            发表于 最后由 编辑
            #31

            @exllm 我一会试试

            1 条回复 最后回复
            0
            • 懒人烘培懒 懒人烘培

              @6cccccc
              刚才实际测试了,如果开启Thinking了,速度也只有16,把Thinking Off后,速度我就恢复了70了。注意

              6
              6
              6cccccc
              发表于 最后由 编辑
              #32

              @懒人烘培 嗯,我一会试试,好像开了后,mtp命中率很低

              1 条回复 最后回复
              0
              • L
                L
                laobenxiong
                德高望重 劳动模范
                发表于 最后由 laobenxiong 编辑
                #33

                感谢楼主. 7900xtx 能跑,不错. 明天试试dsh. 今天dsh+v4pro花了100多, 肉疼(不过确实强, 长链自主调试FPGA, 综合+ila probe+烧写+测试+uart输出分析一条龙, 我基本可以不用管, 花token就行).
                802712c0-6935-4c19-b583-ca3851ade37f-image.jpeg

                bruin@lmde7 ~ $ ./run-3.8-q5.sh
                0.00.035.069 W Setting 'enable_thinking' via --chat-template-kwargs is deprecated. Use --reasoning on / --reasoning off instead.
                0.00.035.097 W DEPRECATED: --mmap and --no-mmap are deprecated. use --load-mode mmap instead
                0.00.039.005 I cmn  common_param: common_params_print_info: verbosity = 3 (adjust with the `-lv N` CLI arg)
                0.00.039.491 W srv  llama_server: -----------------
                0.00.039.495 W srv  llama_server: CORS is set to allow all origins ('*') and no API key is set
                0.00.039.495 W srv  llama_server: this can be a security risk (cross-origin attacks)
                0.00.039.495 W srv  llama_server: more info: https://github.com/ggml-org/llama.cpp/pull/25655
                0.00.039.495 W srv  llama_server: -----------------
                0.00.040.765 I srv    load_model: loading model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                0.08.836.391 I cmn          init: llama threadpool init, n_threads = 10
                0.09.247.607 I common_speculative_init_result: creating MTP draft context against the target model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                0.09.318.357 I srv    load_model: initializing, n_slots = 1, n_ctx_slot = 131072, kv_unified = 'true'
                0.09.457.688 I srv          init: chat template supports preserving reasoning, consider enabling it via --reasoning-preserve
                0.09.457.746 I srv  llama_server: model loaded
                0.09.457.750 I srv  llama_server: listening on http://0.0.0.0:8000
                0.31.502.907 I slot get_availabl: id  0 | task -1 | selected slot by LRU, t_last = -1
                0.31.503.144 I slot launch_slot_: id  0 | task 0 | processing task, is_child = 0
                0.33.674.917 I slot print_timing: id  0 | task 0 | prompt eval time =    1607.08 ms /   333 tokens (    4.83 ms per token,   207.21 tokens per second)
                0.33.674.922 I slot print_timing: id  0 | task 0 |        eval time =     564.47 ms /    34 tokens (   17.11 ms per token,    58.46 tokens per second)
                0.33.674.923 I slot print_timing: id  0 | task 0 |       total time =    2171.56 ms /   367 tokens
                0.33.674.928 I slot print_timing: id  0 | task 0 |    graphs reused =         11
                0.33.674.930 I slot print_timing: id  0 | task 0 | draft acceptance = 0.72727 (   24 accepted /    33 generated), mean len =  3.18
                0.33.674.999 I slot      release: id  0 | task 0 | stop processing: n_tokens = 368, truncated = 0
                0.39.250.971 I slot get_availabl: id  0 | task -1 | selected slot by LCP similarity, f_sim_best = 0.963 (> 0.100 thold), f_keep = 1.000
                0.39.251.208 I slot launch_slot_: id  0 | task 16 | processing task, is_child = 0
                0.40.592.295 I slot print_timing: id  0 | task 16 | prompt eval time =     368.90 ms /    14 tokens (   26.35 ms per token,    37.95 tokens per second)
                0.40.592.303 I slot print_timing: id  0 | task 16 |        eval time =     972.01 ms /    67 tokens (   14.73 ms per token,    67.90 tokens per second)
                0.40.592.303 I slot print_timing: id  0 | task 16 |       total time =    1340.91 ms /    81 tokens
                0.40.592.305 I slot print_timing: id  0 | task 16 |    graphs reused =         31
                0.40.592.307 I slot print_timing: id  0 | task 16 | draft acceptance = 0.71429 (   45 accepted /    63 generated), mean len =  3.14
                0.40.592.367 I slot      release: id  0 | task 16 | stop processing: n_tokens = 448, truncated = 0
                

                llama.cpp 我用的最新 b10485; 完全抄作业:

                bruin@lmde7 ~ $ cat run-3.8-q5.sh
                #!/bin/bash
                
                # ref: https://lcz.me/topic/1157/qwen3.8-27b-q5_k_m-7900xtx-deepseek-harness%E5%AE%9E%E6%88%98%E5%B9%B3%E5%9D%87-52-t-s
                
                LLAMA_SERVER=/home/bruin/llama-server-vulkan-b10485
                MAIN_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf"
                MTMD_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/mmproj-F16.gguf"
                #--mmproj "${MTMD_MODEL}" \
                
                ${LLAMA_SERVER} \
                --device Vulkan0 \
                --model "${MAIN_MODEL}" \
                -t 10 \
                -b 512 \
                -ub 256 \
                --spec-draft-n-max 3 \
                --fit off \
                --no-context-shift \
                --metrics \
                --kv-unified \
                --jinja \
                --cache-type-k q8_0 \
                --cache-type-v q8_0 \
                -fa on \
                --spec-type draft-mtp \
                --ctx-size 131072 \
                --parallel 1 \
                -ngl -1 \
                --host 0.0.0.0 \
                --port 8000 \
                --chat-template-kwargs '{"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}' \
                --no-mmap \
                --temp 0.6 \
                --top-p 0.5 \
                --top-k 15 \
                --repeat-penalty 1.0 \
                --override-tensor blk\.\d+\.ffn_.*_exps\.=CPU \
                --alias qwen3.8-27b-q5
                

                b7d3fd10-965f-4fff-86c9-7e0b456f7dd6-image.jpeg

                6 1 条回复 最后回复
                1
                • L laobenxiong

                  感谢楼主. 7900xtx 能跑,不错. 明天试试dsh. 今天dsh+v4pro花了100多, 肉疼(不过确实强, 长链自主调试FPGA, 综合+ila probe+烧写+测试+uart输出分析一条龙, 我基本可以不用管, 花token就行).
                  802712c0-6935-4c19-b583-ca3851ade37f-image.jpeg

                  bruin@lmde7 ~ $ ./run-3.8-q5.sh
                  0.00.035.069 W Setting 'enable_thinking' via --chat-template-kwargs is deprecated. Use --reasoning on / --reasoning off instead.
                  0.00.035.097 W DEPRECATED: --mmap and --no-mmap are deprecated. use --load-mode mmap instead
                  0.00.039.005 I cmn  common_param: common_params_print_info: verbosity = 3 (adjust with the `-lv N` CLI arg)
                  0.00.039.491 W srv  llama_server: -----------------
                  0.00.039.495 W srv  llama_server: CORS is set to allow all origins ('*') and no API key is set
                  0.00.039.495 W srv  llama_server: this can be a security risk (cross-origin attacks)
                  0.00.039.495 W srv  llama_server: more info: https://github.com/ggml-org/llama.cpp/pull/25655
                  0.00.039.495 W srv  llama_server: -----------------
                  0.00.040.765 I srv    load_model: loading model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                  0.08.836.391 I cmn          init: llama threadpool init, n_threads = 10
                  0.09.247.607 I common_speculative_init_result: creating MTP draft context against the target model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                  0.09.318.357 I srv    load_model: initializing, n_slots = 1, n_ctx_slot = 131072, kv_unified = 'true'
                  0.09.457.688 I srv          init: chat template supports preserving reasoning, consider enabling it via --reasoning-preserve
                  0.09.457.746 I srv  llama_server: model loaded
                  0.09.457.750 I srv  llama_server: listening on http://0.0.0.0:8000
                  0.31.502.907 I slot get_availabl: id  0 | task -1 | selected slot by LRU, t_last = -1
                  0.31.503.144 I slot launch_slot_: id  0 | task 0 | processing task, is_child = 0
                  0.33.674.917 I slot print_timing: id  0 | task 0 | prompt eval time =    1607.08 ms /   333 tokens (    4.83 ms per token,   207.21 tokens per second)
                  0.33.674.922 I slot print_timing: id  0 | task 0 |        eval time =     564.47 ms /    34 tokens (   17.11 ms per token,    58.46 tokens per second)
                  0.33.674.923 I slot print_timing: id  0 | task 0 |       total time =    2171.56 ms /   367 tokens
                  0.33.674.928 I slot print_timing: id  0 | task 0 |    graphs reused =         11
                  0.33.674.930 I slot print_timing: id  0 | task 0 | draft acceptance = 0.72727 (   24 accepted /    33 generated), mean len =  3.18
                  0.33.674.999 I slot      release: id  0 | task 0 | stop processing: n_tokens = 368, truncated = 0
                  0.39.250.971 I slot get_availabl: id  0 | task -1 | selected slot by LCP similarity, f_sim_best = 0.963 (> 0.100 thold), f_keep = 1.000
                  0.39.251.208 I slot launch_slot_: id  0 | task 16 | processing task, is_child = 0
                  0.40.592.295 I slot print_timing: id  0 | task 16 | prompt eval time =     368.90 ms /    14 tokens (   26.35 ms per token,    37.95 tokens per second)
                  0.40.592.303 I slot print_timing: id  0 | task 16 |        eval time =     972.01 ms /    67 tokens (   14.73 ms per token,    67.90 tokens per second)
                  0.40.592.303 I slot print_timing: id  0 | task 16 |       total time =    1340.91 ms /    81 tokens
                  0.40.592.305 I slot print_timing: id  0 | task 16 |    graphs reused =         31
                  0.40.592.307 I slot print_timing: id  0 | task 16 | draft acceptance = 0.71429 (   45 accepted /    63 generated), mean len =  3.14
                  0.40.592.367 I slot      release: id  0 | task 16 | stop processing: n_tokens = 448, truncated = 0
                  

                  llama.cpp 我用的最新 b10485; 完全抄作业:

                  bruin@lmde7 ~ $ cat run-3.8-q5.sh
                  #!/bin/bash
                  
                  # ref: https://lcz.me/topic/1157/qwen3.8-27b-q5_k_m-7900xtx-deepseek-harness%E5%AE%9E%E6%88%98%E5%B9%B3%E5%9D%87-52-t-s
                  
                  LLAMA_SERVER=/home/bruin/llama-server-vulkan-b10485
                  MAIN_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf"
                  MTMD_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/mmproj-F16.gguf"
                  #--mmproj "${MTMD_MODEL}" \
                  
                  ${LLAMA_SERVER} \
                  --device Vulkan0 \
                  --model "${MAIN_MODEL}" \
                  -t 10 \
                  -b 512 \
                  -ub 256 \
                  --spec-draft-n-max 3 \
                  --fit off \
                  --no-context-shift \
                  --metrics \
                  --kv-unified \
                  --jinja \
                  --cache-type-k q8_0 \
                  --cache-type-v q8_0 \
                  -fa on \
                  --spec-type draft-mtp \
                  --ctx-size 131072 \
                  --parallel 1 \
                  -ngl -1 \
                  --host 0.0.0.0 \
                  --port 8000 \
                  --chat-template-kwargs '{"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}' \
                  --no-mmap \
                  --temp 0.6 \
                  --top-p 0.5 \
                  --top-k 15 \
                  --repeat-penalty 1.0 \
                  --override-tensor blk\.\d+\.ffn_.*_exps\.=CPU \
                  --alias qwen3.8-27b-q5
                  

                  b7d3fd10-965f-4fff-86c9-7e0b456f7dd6-image.jpeg

                  6
                  6
                  6cccccc
                  发表于 最后由 编辑
                  #34

                  @laobenxiong 确实,用了你这个q5ks的模型,我的速度终于正常了,也不用关thinking,不知道为什么其他人的q5km可以

                  1 条回复 最后回复
                  0
                  • X
                    X
                    xl
                    发表于 最后由 编辑
                    #35

                    关于--parallel 2 的测试

                    软硬件环境:
                    cpu: AMD Ryzen 7 9700X
                    RAM:DDR5 64GB 6000
                    GPU:R9700 32G
                    OS: Ubuntu 24.04
                    软件 : llama.cpp + vulkan

                    结论:将并行设为1或者2,大部分情况下,性能变化属于正常波动,没有明显差别。

                    但是,即使有32G显存,有些任务还是会报以下错误:
                    26.48.401.777 E init_batch: failed to prepare attention ubatches
                    26.48.401.778 W decode: failed to find a memory slot for batch of size 16
                    26.48.401.779 W srv decode: failed to find free space in the KV cache, retrying with smaller batch size, off = 190, n_batch = 8, ret = 1
                    26.48.403.275 E init_batch: failed to prepare attention ubatches
                    26.48.403.277 W decode: failed to find a memory slot for batch of size 8
                    26.48.403.277 W srv decode: failed to find free space in the KV cache, retrying with smaller batch size, off = 190, n_batch = 4, ret = 1
                    虽然使用了 --cache-type-k/v q8_0 做 KV 量化来节省显存,但是 128K 的超长上下文,加上 --parallel 2,对 KV Cache 的要求依然极其恐怖。模型权重稳稳地占了 17GB。但当开启并发,且 Prompt 超长时,给 128K 上下文预留的 KV Cache 空间,在高峰期(特别是并发请求时)瞬间耗尽了,导致没有空位给下一个 Token 的生成。
                    好消息是,llama.cpp不能为KV Cache分配空间,并不会导致崩溃或任务中断(我没有碰到过),只会导致llama.cpp降级重试,严重的情况下会感觉明显卡顿而已,不用过于担心。
                    所以,用7900XTX的朋友,把并发设为1可能是更好的选择。

                    1 条回复 最后回复
                    0
                    • 系统 于 取消固定此主题
                    • E
                      E
                      Enigma
                      德高望重
                      发表于 最后由 编辑
                      #36

                      感谢分享,学习中。。。

                      1 条回复 最后回复
                      0
                      • Q
                        Q
                        q1726092075
                        发表于 最后由 编辑
                        #37

                        请问大佬测试过rocm么?我现在使用rocm搭配您的参数基本都是首 token 平均 5.8s · 36 tok/s的数据,想看看是个例还是都这么慢。

                        1 条回复 最后回复
                        0
                        • Stone WongS
                          Stone WongS
                          Stone Wong
                          发表于 最后由 编辑
                          #38

                          7900xtx 全开模式下功耗多少

                          D 懒人烘培懒 2 条回复 最后回复
                          0
                          • Stone WongS Stone Wong

                            7900xtx 全开模式下功耗多少

                            D
                            D
                            ding
                            发表于 最后由 编辑
                            #39

                            @Stone-Wong 西风卖的公版显卡默认上限291w,跑满大概280w

                            1 条回复 最后回复
                            0
                            • johnnybegoodJ
                              johnnybegoodJ
                              johnnybegood
                              超凡大师
                              发表于 最后由 编辑
                              #40

                              我不懂, 我的 3090 24G 跑 q4km 的128K 上下文, 平均下来也就23tokens /s , 为啥 xtx可以 50多

                              johnnybegoodJ 1 条回复 最后回复
                              0
                              • johnnybegoodJ johnnybegood

                                我不懂, 我的 3090 24G 跑 q4km 的128K 上下文, 平均下来也就23tokens /s , 为啥 xtx可以 50多

                                johnnybegoodJ
                                johnnybegoodJ
                                johnnybegood
                                超凡大师
                                发表于 最后由 编辑
                                #41

                                哦发现了, 我是跑一晚上, 楼主只跑了几分钟

                                1 条回复 最后回复
                                0
                                • yi songY yi song 于 引用了 此主题
                                • Stone WongS Stone Wong

                                  7900xtx 全开模式下功耗多少

                                  懒人烘培懒
                                  懒人烘培懒
                                  懒人烘培
                                  德高望重 劳动模范
                                  发表于 最后由 编辑
                                  #42

                                  @Stone-Wong 7500F 32G DDR5 1TB硬盘,7900XTX 满功率在492W。连续测试过3个小时功率就在480-492W

                                  双 7900 XTX:模型本地跑,Token 随便烧!

                                  懒人烘培懒 1 条回复 最后回复
                                  0
                                  • 懒人烘培懒 懒人烘培

                                    @Stone-Wong 7500F 32G DDR5 1TB硬盘,7900XTX 满功率在492W。连续测试过3个小时功率就在480-492W

                                    懒人烘培懒
                                    懒人烘培懒
                                    懒人烘培
                                    德高望重 劳动模范
                                    发表于 最后由 编辑
                                    #43

                                    是蓝宝石的7900XTX白金版,刚才说的是整机功率

                                    双 7900 XTX:模型本地跑,Token 随便烧!

                                    1 条回复 最后回复
                                    0

                                    你好!看起来您对这段对话很感兴趣,但您还没有一个账号。

                                    厌倦了每次访问都刷到同样的帖子?您注册账号后,您下次访问时都将自动回到上次浏览的位置,并可选择接收新回复的通知(通过电子邮件或推送通知)。您还可以收藏帖子、为帖子点赞,以此向其他社区成员表达您的感谢。

                                    有了你的建议,这篇帖子会更精彩哦 💗

                                    注册 登录
                                    回复
                                    • 在新帖中回复
                                    登录后回复
                                    • 从旧到新
                                    • 从新到旧
                                    • 最多赞同


                                    • 登录

                                    • 登录或注册以进行搜索。
                                    • 第一个帖子
                                      最后一个帖子
                                    0
                                    • 版块
                                    • 最新
                                    • 标签
                                    • 热门
                                    • 用户
                                    • 群组