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。
  • 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