Asus Ascent GX10到货，双gb10的DSV4-Flash集群全程hermes远程部署
-
@kop-wang 双 GX10 跑 Qwen3.8-Flash-Next，pp 和 tg 要分开看，结论先说：双机不会让单请求的 decode 变快。
关键在 MoE 的 decode 是带宽瓶颈不是算力瓶颈：每生成一个 token，要从内存读一遍"活跃参数"。GX10（和 DGX Spark 同源）内存带宽约 273GB/s（LPDDR5X）。
- Qwen3.8-Flash-Next 约 176B 总参、MoE 每 token 只激活约 18B，NVFP4 量化后整模型约 90-100GB，单台 128GB 的 GX10 就装得下；
- DS-V4-Flash 约 284B/13B 活跃，官方 FP4 权重约 168GB，单台装不下，这才是双机的理由（容量）；
- decode 速度上限 ≈ 活跃参数字节数 ÷ 带宽。Flash-Next NVFP4 每 token 读约 10GB → 单机理论 ~25 t/s 上限、实际 15-20；双机时每个请求仍只跑一台，带宽不会叠加。
双机真正的收益只有三样：
- 容量：装 168GB 级的 DS-V4-Flash（楼主两台跑 DSV4 就是这个原因）；
- 并发：两个请求各占一台，总吞吐翻倍；
- prefill：吃算力，若做跨机并行确实更快。
别指望跨机 tensor parallel 提速 decode：MoE 的 TP 每个 token 都要 all-to-all 交换 expert 输出，跨机走以太网就是新瓶颈（坛里 RDNA TP 无 P2P 反负优化的实测 TID:1438 是同一个道理）。
另外 AA 榜单的能力排序是云端/API 配置下的数字，和本地量化部署的速度是两回事。按你现在的两台机器：Flash-Next 单台就能跑、DS-V4-Flash 必须双台，这个分工比榜单排位更影响实际使用。
-
@tony-wang 模型就是Deepseek-ai发布的原生FP8+NVFP4量化模型，模型卡https://modelscope.cn/models/deepseek-ai/DeepSeek-V4-Flash-0731
这是在用hermes一边计划对齐部署glm5.3-flash方案，一边在用DSH做早课的2并发时候的实际场景decode截图，最高单会话能上到76.7t/s，最低也有35+保底。
这是让hermes读魔搭的glm5.3-flash几个不同版本的模型卡页面，pp大概在1600～2500之间浮动。
上图是工作界面，之后会把glm5.3-flash的实际使用评测也发进来。
-
我有个想法，从目前的 https://artificialanalysis.ai/models 的跑分榜单来看，其实Qwen3.8-flash-next的能力是高于deepseek-v4-flash-0731的。
所以是不是双GB10跑Qwen3.8-flash-next能获得更好的pp和tg的性能表现。
@kop-wang
qwen 3.8 flash next NVFP4一台就可以跑了, 參考 https://github.com/blazux/qwen3.8-Flash-DGX
pp大概1500-2000 tok/s , decode 約 30 tok/s , KV cache大概有630K. 我跑了一周左右吧, 很穩定, 用codex cli長鍊loop工作數天沒什麼問題.
兩台其實也可以跑glm 5.3 flash的 https://github.com/Entrpi/glm-5.3-flash-exl3-2x-spark -
@kop-wang
qwen 3.8 flash next NVFP4一台就可以跑了, 參考 https://github.com/blazux/qwen3.8-Flash-DGX
pp大概1500-2000 tok/s , decode 約 30 tok/s , KV cache大概有630K. 我跑了一周左右吧, 很穩定, 用codex cli長鍊loop工作數天沒什麼問題.
兩台其實也可以跑glm 5.3 flash的 https://github.com/Entrpi/glm-5.3-flash-exl3-2x-spark -
，
T terry 固定了此主题
-
@soop-ladios 我考虑是双台是不是可以有更好的prefill和decode表现，从而让双机GB10的性价比再提高一个级别。
毕竟30的tg/s还是稍逊了一点。
@kop-wang
我是沒用兩台跑過qwen 3.8 flash next, 機器都拿去跑別的模型了. 照以往的經驗, 兩台大概可以提昇1.3~1.5倍左右的速度.
這邊有一台用SGLang跑出43 tok/s平均速度的可以參考 https://github.com/azampatti/GB10-3.8-Flash-Next也有人兩台跑vllm的nvfp4可以參考:
-
pp1500~2500，tg60~70还不错。
6~7万，就能部署一个头部能力的全尺寸模型。响应能力、kvcache容量都是可用级别。
放在半年前都像做梦一样。主要是双GB10的RAM比较富裕，多session并行切换也不会频繁重复prefill。
所以prefill稍慢也不是不行。而且据测试，GB10的prefill性能随context膨胀的下降趋势不明显。
-
-
@kos-or 半年前还没有Qwen3.5，我刚做这个频道的时候，能跑Agent的模型我感觉只有Claude opus 4.6，GPT都不够格。现在是Qwen3.8 27b比肩Opus 4.6的时代。
-
，系统 取消固定了此主题
-
以上截图是今天真实工作场景下的全量日志拿来分析的数据，PP的峰值数据不可信（因为SGLang推理框架的RadixAttention缓存真的优雅又高效），但均值数据确实比vLLM运行DSV4-Flash提高了能有接近4成。
启动参数脚本如下，先在从机运行启动脚本：
docker run -d --name sglang_glm53 --network host --gpus all --shm-size=32g \ -v /home/bentonyi/LLM/LibertAIDAI/GLM-5.3-Flash-NVFP4:/models/glm53:ro \ sglang-glm53:gb10 \ python3 -m sglang.launch_server \ --model-path /models/glm53 \ --trust-remote-code \ --tp-size 2 --nnodes 2 --node-rank 1 \ --dist-init-addr 10.100.40.2:29500 \ --attention-backend dsa \ --dsa-prefill-backend tilelang --dsa-decode-backend tilelang \ --moe-runner-backend flashinfer_cutlass \ --kv-cache-dtype bfloat16 \ --disable-shared-experts-fusion \ --reasoning-parser glm45 --tool-call-parser glm47 \ --mem-fraction-static 0.90 \ --context-length 524288 \ --max-running-requests 2 \ --default-chat-template-kwargs '{"reasoning_effort": "low"}' \ --host 0.0.0.0 --port 8000主机等6秒运行脚本：
docker rm -f sglang_glm53 2>/dev/null docker run -d --name sglang_glm53 --network host --gpus all --shm-size=32g \ -v /home/bentonyi/LLM/LibertAIDAI/GLM-5.3-Flash-NVFP4:/models/glm53:ro \ sglang-glm53:gb10 \ python3 -m sglang.launch_server \ --model-path /models/glm53 \ --trust-remote-code \ --tp-size 2 --nnodes 2 --node-rank 0 \ --dist-init-addr 10.100.40.2:29500 \ --attention-backend dsa \ --dsa-prefill-backend tilelang --dsa-decode-backend tilelang \ --moe-runner-backend flashinfer_cutlass \ --kv-cache-dtype bfloat16 \ --disable-shared-experts-fusion \ --reasoning-parser glm45 --tool-call-parser glm47 \ --mem-fraction-static 0.90 \ --context-length 524288 \ --max-running-requests 2 \ --default-chat-template-kwargs '{"reasoning_effort": "low"}' \ --host 0.0.0.0 --port 8000这个参数设置得比较极限：通过计算得到内存红线设置在0.92可保证上下文512K的情况下最大并发为2（gb10集群仅作推理服务器不运行别的任何程序，连屏幕键鼠都不配的情况下）。
GLM5.3-Flash这模型因为激活参数18B，推理确实很慢，再加上这货的默认设置导致过度思考的问题：
加入
--default-chat-template-kwargs '{"reasoning_effort": "low"}' \后勉强可用，但效果还是远不如DSV4-Flash。也就是不愿意为“降速高达70%但智力没有相应程度的提升”买单，工作了一天准备换回DSV4-Flash。下一步准备测试Qwen4架构的qwen3.8-flash-next。因为都是以实际工作场景的数据日志进行性能分析，所以更新可能没那么快，主打一个真实可信。
最后引用一个社区排行榜的glm5.3-flash截图，tp2无论如何都还是捉襟见肘，要真想在gb10上爽玩还是得TP4集群。
-
，T terry 固定了此主题
-
，系统 取消固定了此主题
-
Qwen4架构的qwen3.8-flash-next 测试结果有了么？
