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。
  • 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