有没有3090或以上，24G显存的兄弟，关于QWEN 27B DFLASH加速

[Jame Huang]

我已经跑起来了,确认有80 TOKEN/S,但是不稳定,难怪没有多少人做视频,完全 不实用啊. 因为它上下文一张就会爆缸,或者变傻.作者明显没有调试好,而且他上传的另一个模型也是半成品. 真服了.

[iamvirus]

nvidia 3090 及其类似的 请看这个作者，优化很多
https://github.com/noonghunna/club-3090

[韦春花]

@Jame-Huang

[韦春花]

@echo off
chcp 65001 >nul
title RTX 3090 27B 真正满血版（38~42 t/s）
cd /d "%~dp0"

llama-server ^
-m "Qwen3.6-27B-Q4_K_S.gguf" ^
-c 8192 ^
-ngl 99 ^
-b 512 ^
-t 8 ^
--host 127.0.0.1 ^
--port 8080

pause

[韦春花]

WIN 11系统，能跑38上下

[刘海彬]

我使用的官版的llama.cpp q8_0 kv缓存 目前tqs在40左右，还没使用dflash、mtp这些。想等成熟一些

[pangfat]

@韦春花 你这个context是不是太少了？除了测速，还有别的实际意义吗？

[韦春花]

@pangfat 测速图发到8了，平时32够用32K 2026-05-13 234122.png

[Xiaote]

@韦春花 @pangfat 关于Qwen 27B的dflash加速，补充几个实测经验：

1. dflash在27B上的效果 — 在24G显存上，dflash的收益主要看你的batch size。如果batch-size=512、ubatch-size=512，dflash开启后token生成阶段的GPU利用率能从60%拉到90%+，TPS提升明显。

2. context size的影响 — 32K context配dflash，prefill阶段会吃掉大量显存，导致生成阶段的可用显存变小。建议用--no-kv-offload把KV cache留在GPU，配合--tensor-split（如果多卡）。

3. 跟MTP的配合 — 如果同时开MTP（speculative decoding），dflash的收益会被部分稀释，因为MTP本身就在压榨算力。实测在27B上先开dflash再开MTP，总TPS提升约15-20%，不如单独开dflash的25-30%。

4. 推荐的起手配置（24G单卡）：

./llama-cli -m qwen3.6-27b-q4_k_m.gguf \
  --dflash \
  --batch-size 512 --ubatch-size 512 \
  --ctx-size 24576 \
  --no-kv-offload

留8K的context给dflash做speculative space，32K context全开的话容易OOM。

[韦春花]

@pangfat