我之前也以为 X99 基本没法搞 P2P，不过最近在 E5-2697A v4 + X99 + 双 R9700 上实际折腾下来，已经把跨 Root Port 的 Direct P2P 跑通了。

PhoenixRise2026

@suboyang 说:

我没看懂你的帖子，如果是单路 CPU E5 系列，两个GPU 应该是挂在一个root complex 下啊？怎么还会跨 Root Port P2P？

这颗CPU ：Intel Xeon E5-2697A v4 支持P2P. 一颗CPU 怎么会挂在不同的 Broadwell Root Port ？

谢谢指出问题。是我帖子里“不同 CPU Root Port”这个说法不严谨。
我的机器是单路 E5-2697A v4，两张 GPU 都挂在同一颗 CPU 下，只是分别接在这颗 CPU 的不同 PCIe Root Port 上。
所以这里说的“跨 Root Port P2P”是同一 CPU、不同 Root Port 之间的 P2P，不是跨 CPU。

suboyang

44-bit DMA address 可以在 Above 4G Decoding里改吗？

suboyang

@PhoenixRise2026

没关系，只是讨论而已，但是我看见你开启P2P 性能并没有释放很高。
不知道是模型的问题，还是调优的问题。这些你都试过吗？

tcclaviger/Qwen3.8-27B-DFlash2-FP8

https://github.com/magiccodingman/vllm-radiance

https://github.com/StevenChenSE/sglang/tree/gfx1100-support#chinese

按双卡 R9700的算力 80token/s 才算比较正常。而且低于80 token/s ,基本没法干活。

拐子001

又一成形的案例，看样子，可以抄作业了。

suboyang

@PhoenixRise2026

还有一个知识就是所有的志强CPU AMD的撕裂者 ZEN 系列都是跨 Root Port P2P DMA，这个是企业级CPU默认支持的。

Root Port P2P 可以看成交换机的两个端口。root complex就是那个交换机。任意两个GPU通信都需要Root Port P2P DMA。 PCIE switch 是4个GPU以上的解决方案。

johnnybegood

@suboyang 如果像我们这种普通主板，两个 pcie ，一个挂在cpu上，一个挂在南桥芯片上，应该就没戏了是吧

suboyang

@johnnybegood

前几天找铭瑄要了一下可以PCIE 拆分的产品，也可以

不用P2P，可以share-memory. 这个双卡7900xtx 也是share-memory

https://github.com/StevenChenSE/sglang/tree/gfx1100-support#chinese

Scott Lee

我是用舊主機板 ASUS H97-Pro 來跑 llama.cpp 的雙卡 RX 9060 XT 配置。
因為 H97-Pro 的 PCIe 插槽規格限制：

第一槽：PCIe 3.0 x16（直連 CPU）
第二槽：PCIe 3.0 x4（走 PCH 南橋晶片）

在 Ubuntu 環境下實測過 ROCm（ROCm 10 / 7.14）與 Vulkan：

Prefill (PP) 速度：ROCm 表現遠優於 Vulkan。
心得：在搭配 Agent 時，Prefill (PP) 的處理速度甚至比 Text Generation (TG) 還要關鍵！
上下文與 VRAM 實測狀況目前雙卡配置下，穩定運作的極限是 176K Context Length（KV Cache 設為 Q8）。如果開到 192K，VRAM 就會壓在臨界點附近偶爾會crash。
因為是個人使用，大部分時間 np=1 ；但如果要分派 Sub-agent 執行任務，會需要設定 np=2。不過這也差不多是這套配置的極限了，上下文再縮短實用性就不高。

SGLang 與 TP/PP 傳輸測試：
前兩天請 DeepSeek 協助安裝 SGLang，過程中同樣對 RCCL 與 P2P 進行了各項功能測試。最後也是打了類似的 Patch——否則 SGLang 的程式邏輯會判斷無法通訊，連CPU DMA都不走直接放棄。
但即使打了 Patch，走 CPU AllReduce 的效能跟 llama.cpp 的 Tensor Parallel (TP) mode 差不多，速度都遠慢於 Pipeline Parallel (PP) mode，基本上沒有實用價值。加上 SGLang 本身吃 VRAM 比 llama.cpp 更兇，能開的上下文反而更短。

總結：

建議走南橋的 PCIe 介面，最佳解依然是 PP (Pipeline Parallel) 分層模式。實測下來，PP 模式的 Prefill 速度甚至略微超越單張 R9700；不過 TG 速度就單卡水準，大概只有 R9700 的一半。
硬體升級思考：如果主機板本身支援雙 PCIe x8/x8，且手邊已經有一張 9060 XT，再補一張二手跑 Tensor Parallel，整體性能應該有機會逼近 R9700。但算一算升級預算，如果手頭預算許可，直接買一張二手 RX 7900 XTX 可能是更乾淨俐落的選擇——畢竟 384-bit 帶來約 960 GB/s 的記憶體頻寬，在純單卡運算上優勢還是太明顯了，且雙卡在記憶體分配上會有尾巴浪費的零散區塊（我一張有接顯示輸出會佔用VRAM）。

terry

相当牛逼的帖子，这个就是把洋垃圾的上限再推进

PhoenixRise2026

@suboyang 说:

44-bit DMA address 可以在 Above 4G Decoding里改吗？

Above 4G 不能改 44-bit DMA。我的问题恰恰是 ReBAR 后 BAR 被放得太高，超过 44-bit DMA 可达范围，所以需要在内核侧处理。

PhoenixRise2026

@suboyang 说:

@PhoenixRise2026

没关系，只是讨论而已，但是我看见你开启P2P 性能并没有释放很高。
不知道是模型的问题，还是调优的问题。这些你都试过吗？

tcclaviger/Qwen3.8-27B-DFlash2-FP8

https://github.com/magiccodingman/vllm-radiance

https://github.com/StevenChenSE/sglang/tree/gfx1100-support#chinese

按双卡 R9700的算力 80token/s 才算比较正常。而且低于80 token/s ,基本没法干活。

目前只是证明了在X99上把双 R9700 Direct P2P 真正跑通，后面有时间会测一下DFlash2、vllm-radiance。

suboyang

@PhoenixRise2026

谢谢等你后续，稳定后，我也整一套，主要是双卡R9700跑tcclaviger/Qwen3.8-27B-DFlash2-FP8 就是怕性能太低。

抡锤者

我之前也以为 X99 基本没法搞 P2P，不过最近在 E5-2697A v4 + X99 + 双 R9700 上实际折腾下来，已经把跨 Root Port 的 Direct P2P 跑通了。