NVIDIA 4卡異構 挑戰 Exllamav3 + Qwen3.8-Flash-Next 130k 上下文+MTP
-
异构四卡这套，TP 的瓶颈不在总算力，在最慢那条链路：两张 4070Ti Super 走 Gen4 ×4、两张 5070Ti 走 ×8，exllamav3 做 TP 时每层都要跨卡同步，会被 ×4 的卡拖住；并发越高越明显。
更划算的分工：
- 按架构配对：2×5070Ti 一组 TP=2、2×4070Ti Super 一组 TP=2，跑两个独立实例。同架构没有跨代内核回退问题，链路也各自独立，单请求 decode 反而更快。
- 只有模型大到单对卡放不下时，才四卡同一模型；这时优先「层切」而不是纯 TP，减少每 token 的跨卡同步次数。
- MTP / 投机：draft 头和 target 要放在能快速互访的卡上；异构混合 PCIe 下，投机多出来的通信可能把收益吃掉，建议开/关各跑一组 pp/tg 对比。
- 130k 上下文 + 4×16G：权重之外 KV 余量不大，先把 KV 量化开起来；同时确认 Ada（4070TiS）和 Blackwell（5070Ti）混跑没有按最低架构回退内核。
排版小事用 Markdown 表格
|就行，编辑框旁边有预览，先写纯文本再贴也不会乱。 -
一、软件栈与环境信息
- 推理引擎：
exllamav3 1.5.1+cu128.torch2.9.0（官方 wheel、Python 3.12 venv、免 JIT 编译） - API 服务器：
TabbyAPI main（commit：7208273） - 操作系统 / 内核： Linux Mint 22.3（Zena）/ Kernel
7.0.0-31-generic - 对话模板（Chat Template）： 自定义
tabby_template.jinja（qwen3.8-froggeric-v22.3，修复内置版硬例外）
二、硬件规格
- CPU： AMD Ryzen 5 5600X（6C/12T）
- 主板： ASUS PRIME X570-PRO（SMBIOS 3.3.0）
- 系统内存： 64 GB（4×16 GB）DDR4 3600，双通道
- 显卡： 2 张 RTX 4070 Ti SUPER（Gen4 ×4）+ 2 张 RTX 5070 Ti（Gen4 ×8）
- 其中一张 RTX 4070 Ti SUPER 使用了 M.2 转接
三、模型与量化文件架构
- 模型架构： Qwen3.8-Flash-Next
- 量化格式： EXL3 3.05 bpw
- 量化文件： Qwen3.8-Flash-Next-exl3
- 主模型权重本体： 52.3 GB，分散于 4 张 GPU 显存中
- PLE n-gram embedding： 32.6 GB，配置
ngram_ram: true，常驻于 64 GB 系统内存
四、生效配置文件与采样设置
1.
config.ymlmodel: model_name: Qwen3.8-Flash-Next-exl3 max_seq_len: 131072 cache_size: 131072 # 130K 上下文池 cache_mode: Q8 # 必须使用 Q8；FP16 会导致 VRAM 溢出 cpu_moe_split_experts: 0 # 专家全上卡，严禁 offload 至 CPU ngram_ram: true # 32.6 GB n-gram 走系统 RAM gpu_split_auto: true tensor_parallel: false autosplit_reserve: [512, 512, 768, 512] # 非对称分配：主屏幕卡（GPU 2）保留 768 MB chunk_size: 1024 # 设置为 2048 会爆 VRAM reasoning: true tool_format: qwen3_coder # 未设置此项，Server 不会解析工具调用 template_vars_default: {reasoning_effort: medium} reasoning_budget_tokens: 2048 draft_model: # 必须为顶层区块，不可缩进至 model 内部 draft_mode: mtp # 直接调用主模型目录内置的 MTP 组件 draft_num_tokens: 2 # 设置为 2，达到显存与加速平衡；设置为 4 会 OOM draft_cache_mode: Q8 # 必须使用 Q8；默认 FP16 会超出 VRAM sampling: override_preset: qwen_next_flash # 防止长思考崩坏2. 采样覆写：
sampler_overrides/qwen_next_flash.yml# 针对低 bit（3.05 bpw）量化产生的噪声 logit 进行尾部剪枝，避免文字崩坏 temperature: 1.0 top_p: 0.95 top_k: 20 min_p: 0.0五、实测推理性能数据
以下数据由 HERMES 执行实际任务时，从
tabby.log中提取。- 冷 Prefill 稳态： 约 1,900–2,030 T/s
- 解码生成速度： 约 106–132 T/s
- 即使上下文长度增加至 113K，解码速度依然没有明显衰减
1. 冷请求：全量 Prefill / 无缓存
按总长度升序排列。
总长度（Tokens） 缓存命中 Prefill 速度 首字延迟（TTFT） 输出长度 Decode 速度 MTP 接受率 18,003* 0%（冷） 859 T/s 21.00 s 153 tok 128.1 T/s 89%（98/110） 18,256 0%（冷） 1,920 T/s 9.55 s 188 tok 126.2 T/s 88%（120/136） 18,256 0%（冷） 1,926 T/s 9.52 s 247 tok 120.6 T/s 80%（152/190） 35,355 0%（冷） 1,926 T/s 18.40 s 2,970 tok 121.5 T/s 82%（1,847/2,246） 36,786 0%（冷） 1,900 T/s 19.40 s 2,599 tok 120.7 T/s 82%（1,612/1,974） 37,974 0%（冷） 2,030 T/s 18.70 s 2,519 tok 111.1 T/s 71%（1,476/2,086） 2. 热请求：缓存命中 / 多轮对话
按总上下文长度升序排列。
总上下文长度 缓存命中率 新输入（tok） Prefill 速度 首字延迟 输出长度 Decode 速度 MTP 接受率 18,733 98% 301 734 T/s 0.43 s 185 tok 120.7 T/s 80%（114/142） 23,174 77% 5,254 1,876 T/s 2.82 s 707 tok 121.4 T/s 81%（437/540） 27,948 99% 300 769 T/s 0.41 s 116 tok 116.8 T/s 76%（70/92） 31,508 99% 276 767 T/s 0.38 s 298 tok 101.2 T/s 60%（162/272） 35,377 98% 817 1,362 T/s 0.62 s 443 tok 106.7 T/s 65%（251/384） 39,794 98% 626 1,118 T/s 0.58 s 212 tok 121.5 T/s 81%（131/162） 43,567 99% 559 1,118 T/s 0.52 s 1,103 tok 93.5 T/s 51%（556/1,094） 47,586 97% 1,506 891 T/s 1.73 s 2,454 tok 106.8 T/s 66%（1,396/2,116） 51,843 87% 6,787 1,854 T/s 3.68 s 574 tok 107.9 T/s 66%（327/494） 55,748 99% 452 962 T/s 0.49 s 990 tok 106.6 T/s 65%（561/858） 59,840 99% 448 282 T/s 1.63 s 2,264 tok 98.9 T/s 57%（1,209/2,110） 62,535 95% 2,887 1,688 T/s 1.73 s 2,428 tok 110.1 T/s 70%（1,417/2,022） 67,834 98% 1,274 1,554 T/s 0.84 s 344 tok 103.8 T/s 62%（190/308） 71,659 99% 747 622 T/s 1.24 s 2,152 tok 106.5 T/s 66%（1,224/1,856） 75,806 99% 1,054 1,573 T/s 0.69 s 1,644 tok 99.9 T/s 59%（887/1,514） 79,545 99% 953 1,381 T/s 0.75 s 731 tok 112.9 T/s 73%（434/594） 83,850 99% 1,162 759 T/s 1.57 s 2,239 tok 102.2 T/s 61%（1,232/2,014） 87,415 98% 1,655 1,547 T/s 1.09 s 2,297 tok 108.0 T/s 68%（1,322/1,950） 89,078 99% 1,014 685 T/s 1.52 s 2,242 tok 102.2 T/s 61%（1,233/2,018） 94,938 74% 25,050 1,802 T/s 13.90 s 2,982 tok 109.3 T/s 70%（1,738/2,488） 99,334 98% 2,310 1,604 T/s 1.46 s 646 tok 107.8 T/s 68%（372/548） 111,691 99% 843 1,297 T/s 0.67 s 1,770 tok 112.6 T/s 74%（1,056/1,428） 113,355 100% 459 883 T/s 0.54 s 676 tok 112.5 T/s 73%（402/548） 六、个人使用心得
在 3.05 bpw 的量化之下，我还是觉得 Qwen3.8-Flash-Next 比 Qwen3.8 27B FP8 量化更聪明。但在较为单纯的任务中，Qwen3.8 27B FP8 会更加精准，犯错也更少。
不过，Qwen3.8-Flash-Next 的回应方式让我感觉更像人。即使犯错，它也能够自己修正过来。在这样的使用速度下，我愿意让它多迭代几次，以提高最终任务质量。
希望各位也多多讨论使用心得。如果有需要，我可以再找几个范例任务来展示。
- 推理引擎：
-
decode > 100
prefill > 2000
這已經是可用狀態了.....晚點偷抄你的作業 ^_^ -
@kos-or 你四個N卡要不要去apply 我那個 P2P(直連) patch?
效果好的話，我想自己也來弄個四張一起跑
去apply 我那個 P2P(直連) patch
你是說這一篇嗎？開源社群釋出非官方破解版驅動，實現 RTX 5090 P2P 共享記憶體共享(類似nvlnk方法) 我目前只上了兩張卡 另外兩張躺在書櫃, 還在測試RX7900XTX和整第二台機器
對了 這裡有一篇論文可以讓ChatGPT 整理一下, 關於單卡和多卡 Blackwell 消費級顯卡的成本效益表現
"Private LLM Inference on Consumer Blackwell GPUs: A Practical Guide for Cost-Effective Local Deployment in SMEs" (arXiv:2601.09527):
Direct PDF Download: https://arxiv.org/pdf/2601.09527
-
试了一下， 在3090上面速度提升了 30%， 不错不错
-
去apply 我那個 P2P(直連) patch
你是說這一篇嗎？開源社群釋出非官方破解版驅動，實現 RTX 5090 P2P 共享記憶體共享(類似nvlnk方法) 我目前只上了兩張卡 另外兩張躺在書櫃, 還在測試RX7900XTX和整第二台機器
對了 這裡有一篇論文可以讓ChatGPT 整理一下, 關於單卡和多卡 Blackwell 消費級顯卡的成本效益表現
"Private LLM Inference on Consumer Blackwell GPUs: A Practical Guide for Cost-Effective Local Deployment in SMEs" (arXiv:2601.09527):
Direct PDF Download: https://arxiv.org/pdf/2601.09527 -
