分享自己的經驗 # 7900 XTX 本地 LLM 優化實測報告（Qwen3.6-27B）

[ken huang]

感谢，抄了作业，重新编译一下从原来～30TPS 提升到～40TPS,后面对coding微调了一下基本上确定大概eGPU +7900xtx能编程能测试了，等装上x99-cd3会来更新一下

# 7900 XTX (TB3 eGPU) + Qwen3.6-27B llama.cpp MTP — Bench Summary

Hardware: AMD 7900 XTX via Razer Core X Chroma (TB3) + Beelink SER7
Tool: llama-benchy (Sherlock Holmes prompts, pp=512 tg=128 depth=[0, 4096])

| # | Config                                          | tg mean | tg peak | tg @ d4096 | pp512 | Accept |
|---|-------------------------------------------------|--------:|--------:|-----------:|------:|-------:|
| 1 | Baseline (mainline, no MTP, temp=0.2)           |   30.26 |    31.5 |      29.79 |   459 |    n/a |
| 2 | + MTP enabled (old PR build 9117)               |   35.54 |    41.0 |      29.45 |   310 |    97% |
| 3 | + Rebuilt PR to latest (9173, GDN rollback fix) |   37.25 |    45.5 |      34.70 |   353 |    57% |
| 4 | + GPU power_dpm forced to `high`                |   45.00 |    54.8 |      37.94 |   351 |    57% |
| 5 | + Qwen "precise coding" sampling (current)      |   37.32 |    46.8 |      31.75 |   368 |    54% |

Cumulative gain vs original baseline: **+23% TG mean, +49% TG peak**
(Step 4 alone is +49% / +74%; step 5 trades 16% speed for output quality)

## Variant comparisons (PR 9173 + perf=high)

| Variant                                    | tg mean | tg peak | tg @ d4096 | Accept | Verdict          |
|--------------------------------------------|--------:|--------:|-----------:|-------:|------------------|
| froggeric Q4_K_M MTP (default)             |   45.00 |    54.8 |      37.94 |    67% | ✅ Best mean     |
| unsloth Q4_K_M MTP                         |   36.13 |    44.0 |      34.68 |    49% | ❌ -19% TG       |
| unsloth UD-Q4_K_XL MTP                     |   43.65 |    53.0 |      33.01 |    60% | ≈ Tied, worse @d |
| Chain: `ngram-mod,draft-mtp` (unsloth tip) |       — |       — |          — |      — | 🔴 CRASH (SSM)   |

## Sampling A/B (froggeric MTP, n=2, perf=high)

| Preset                  | temp / top_p / top_k / pp | tg mean | Accept@0 | Note          |
|-------------------------|---------------------------|--------:|---------:|---------------|
| Fast (temp=0.2)         | 0.2 / —   / 20  / —       |   45.00 |      67% | Fastest, repetitive |
| Precise coding (active) | 0.6 / 0.95 / 20 / 0.0     |   37.32 |      54% | ★ Current default   |
| Non-thinking general    | 0.7 / 0.8  / 20 / 1.5     |   36.26 |      57% | Best @ long ctx     |
| Thinking general        | 1.0 / 0.95 / 20 / 1.5     |   37.68 |      59% | Avoid (no MTP gain) |

## Other paths evaluated and rejected

| Option                       | Result on 7900 XTX                     |
|------------------------------|----------------------------------------|
| vLLM (ROCm)                  | ❌ -10–20%, no Qwen3.6 MTP, 4–8h install |
| TurboQuant (Vulkan port)     | ❌ Broken — 10 t/s, GPU util <30%      |
| DFlash / Hipfire             | ❌ Crashes >4k context, no MTP         |
| MLC-LLM (Vulkan)             | ⚠️ ~10 t/s slower, no MTP             |

## Hardware ceiling vs realistic upgrades

| Setup                                            | Expected tg mean |
|--------------------------------------------------|-----------------:|
| Current (TB3 eGPU, all sw optimizations)         |          37–45   |
| OCuLink mod to Core X Chroma (~$80, 3h)          |          52–55   |
| Move GPU to X99 desktop (PCIe 3.0 x16)           |          58–62   |
| Modern AM5 + PCIe 4.0 x16 (blog reference)       |              67  |

**Current `start_server start`:** llama.cpp PR 9173 + froggeric MTP Q4_K_M + `--spec-type draft-mtp --spec-draft-n-max 2` + KV q4_0 + FA on + Qwen precise coding sampling + GPU perf=high.

[CHIA AN YANG]

@Fred 感謝阿 論壇就是需要大家一起分享 期待其他大神們的分享

[CHIA AN YANG]

@ken-huang 讚讚讚 這張卡越來越超值 哈 請多多分享

[CHIA AN YANG]

@terry

@Xiaote 研究開128K後是可以跑,但是回應就超級慢...

[asd2667]

7900xtx 32G X99 大概40-50t/s

[Xiaote]

@CHIA-AN-YANG 128K上下文确实会让7900 XTX的LLM推理速度明显下降，这是正常的。有两个方向可以优化：

1. 精简上下文长度：如果不是必须128K，可以试试在llama.cpp里用 --ctx-size 32768 限制到32K。对于大部分Agent任务（Hermes、代码补全），32K完全够用，Prefill速度能快3-4倍。只有在处理超长文档或完整代码库时才需要128K。

2. KV Cache量化：用 --kv-cache-type q4_0 可以显著减少128K上下文时的显存占用和带宽压力，Prefill能快一些。7900 XTX的显存带宽虽然高，但128K的KV Cache体积很大，量化后缓存更紧凑。

3. MTP（Multi-Token Prediction）：如果还没开，试试llama.cpp的MTP模式（需要支持MTP的模型，Qwen 3.6 27B支持），Token生成速度能提升20-30%。

总结：日常用32K上下文 + Q4 KV Cache，需要处理长文档时再切换到128K。这样既保证了日常速度，又保留了大上下文能力。

[Chang Ching-Chun]

感謝大大無私分享

[Kiner Liu]

謝謝樓主分享，我也成功在W7900上面跑Qwen3.6 27b Q4 MTP模型了，也掛了圖形識別模型成功。我用實際路徑的設定成功。輸出速度部分從原本的20t/s有增加到50t/s左右，從速度勉強可接受變成速度感覺順暢。更重要的是我也同時學會用llama.cpp在windows11架server了! 這軟體穩定度比lmstudio更好，模型載入速度超順暢。

@echo off
"D:\llama.cpp\build\bin\llama-server.exe" ^
-m "D:\llama.cpp\Qwen3.6-27B-MTP-Q4_K_M.gguf" ^
--mmproj "D:\llama.cpp\mmproj-Qwen3.6-27B-Uncensored-HauhauCS-Aggressive-f16.gguf" ^
--device Vulkan0 -ngl 999 -c 262144 ^
--temp 0.4 ^
--no-mmap ^
--api-key "*******" ^
-ctk q4_0 -ctv q4_0 -np 1 ^
--spec-type draft-mtp --spec-draft-n-max 3 ^
--reasoning off -fa 1 ^
--port 8081 --host 0.0.0.0
pause

[terry]

@Kiner-Liu 老弟你这张卡48G，虽然在数据中心算是垃圾，但是在个人市场是神器啊，这卡可不便宜，应该相当于48G的xtx，给分享下数据呗。弄些截图，运行日志，comfyui LLM都测试下。我们也学习下，我好云一期。

[bin flamebox]

@terry
拿到手了。一开始用的是linux，一通环境全部装好了，什么rocm、vulkan乱七八糟的。本来挺顺的，但后来跑comfyui后却莫名卡死了，然后就不认驱动了 。怎么反复重装都没用，就算恢复到最开始的系统快照也是这样，莫名其妙！想一想，还是装回windows好了。。。
使用llama.cpp的vulkan后端，配合最新整合mtp的主线编译+mtp专用的量化模型。跑出的成绩还行吧。预填充500-600tk/s，输出有36-65tk/s。上下文我只拉到128k，显存占用不到21个G。
接入到claud code后，实际用起来比预期还好一点。果然预填充速度才是最重要的，如果当初买r9700，可能要差一截

[terry]

@bin-flamebox 你Linux有什么问题？脚本去下载AMD官方的一键安装脚本，问Gemini，和它说清楚，肯定没问题的。

[bin flamebox]

@terry 一开始没有问题，啥都装好了，跑llm一切正常。就是跑了个comfyui后不认驱动了。。。
之前测试过，如果跑llm的话，现在vulkan比rocm好太多了。
现在还是觉得装回windows方便不少，性能基本差不了多少，关键我不是24小时开机使用，偶尔直接玩玩游戏，win更合适
现在comfyui有windows桌面版一键直装了，直接内置装好rocm需要的python虚拟环境，比自己github clone方便很多了