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。
-
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 ？
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。 -
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。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。
-
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。 -
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。
-
@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
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
南桥芯片的速度慢，其实也能TP，就是效率太低。
-
@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
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）。
-
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。
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。
-
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。
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。
