【實戰分享】單張 AMD Radeon AI PRO R9700 (32GB) 跑 Qwen 3.8 Flash + Hermes Agent 極致調教指南：85K~98K 超長上下文飆破 107.6 tok/s！
-
-
-
一句話總結（TL;DR）
透過 Stratav0.2.9（Engine0.1.55） 搭配 AMD Radeon AI PRO R9700 32GB (gfx1201)，在開啟 131,072 (128K) Context 與 Hermes Agentxhigh深度推理 的高強度 Agent 工具鏈實戰下：- 85K～98K 超長上下文解碼速度：由舊版
47 ~ 57 tok/s暴增至94.8 ~ 107.6 tok/s（提升超過 +85%！） - 長文增量 Prefill 吞吐量：最高達
1,321.9 tok/s（Prompt Cache 命中率 99%～100%） - VRAM 專家快取命中率：常駐 12,244 個專家（23.24 GiB VRAM），實戰命中率高達
90.7% ~ 96.5% - MTP + Suffix 投機解碼命中率：最高達
91.8%（706 / 769 drafts accepted）
一、 硬體環境與軟體架構
項目 規格與配置 備註 GPU (主力推論卡) AMD Radeon AI PRO R9700 32GB ( gfx1201/ RDNA 4)單卡負責 Qwen 3.8 Flash 131K 主模型推論（WDDM 可用預算 31,707 MiB）CPU Intel Core Ultra 7 270K Plus (24 核：8 P-Cores + 16 E-Cores) 無 AVX-512，啟用 12 個實體核心 Workers + Host Thread 協同 系統記憶體 (RAM) DDR5 192GB+（啟用 Windows 2MB Large Pages） 提供 46.84 GiB專家 Arena 鎖定記憶體（載入頻寬達10.60 GiB/s）PCIe 頻寬 PCIe Gen 5 / 實測 Host->Device 26.2 GB/s用於極少數（ < 0.4%）未命中專家與 KV Streaming 交換推論引擎 Strata v0.2.9+ Engine0.1.55-windows-x86_64-hip-rx9070內建 ROCm 7.1、hipBLASLt 100500與gfx1201專屬 Tuning Table模型版本 Qwen3.8-Flash-Next (GSQ-RCO-abliterated-IQ3_S) Native GGUF + PLE GGUF + Native iq3_sExpert Pack + MTP Draft 層Agent 框架 Hermes Agent ( reasoning_effort: xhigh)全自動 Coding / 網頁檢索 / 檔案操作 / 長對話記憶管理 (註：若工作站有第二張副卡，亦可將 Hermes 的背景 Context Compression 與 Vision 視覺任務卸載至 Port 8081，讓單張 R9700 100% 專注於主對話與程式碼生成，文末附雙卡進階配置說明。)
二、 關鍵調教秘訣：為什麼單張 32GB R9700 能跑到 107.6 tok/s？
許多人在 RDNA4 (
RX 9070 XT/Radeon AI PRO R9700) 上跑大型 MoE + Gated DeltaNet (GDN) 混合架構模型時，常遇到 長文降速 或 CPU/PCIe 互卡 的問題。本次調教的核心突破共有 6 點：1. 升級 Strata Engine
0.1.55：啟用 GPU Graph-Captured Expert Decode Kernels在最新的
0.1.55-windows-x86_64-hip-rx9070引擎中，針對 RDNA4 新增了expdec_gu_kernel（Gate/Up 專家解碼核心）的 HIP Graph 完整捕捉（Graph Capture），並將gfx1201的hipBLASLt調優表擴充至 32 組矩陣形狀（gfx1201-hipblaslt-100500.txt）。- 啟動時自動預熱 BF16/FP16 GEMM 並捕捉
1, 2, 3, 4, 6-token驗證視窗的計算圖，徹底消除單步 Decode 的 Kernel Launch 延遲。
2. 破除
--pcie-frac迷思：由預設0.55下調至0.15（關鍵加速！）Strata 啟動時測得 PCIe 頻寬為
26.2 GB/s，預設會將--pcie-frac設為0.55（代表當少數專家不在 VRAM 快取時，將 55% 的未命中專家權重透過 PCIe DMA 傳給 GPU 算，45% 留給 CPU 算）。- 問題點：在長上下文與高併發驗證視窗下，
0.55的 PCIe 權重傳輸會與 GPU 主解碼串流爭搶匯流排與佇列，導致每步 Decode 被 PCIe 同步拖慢。 - 最佳解：因為我們已經用
expert-profile.bin將 12,244 個高頻專家（23.24 GiB VRAM） 常駐在顯存內（命中率高達 91%～96%），剩下的零星未命中專家直接交給 12 個綁定實體核心的 CPU Pool Workers（搭配 2MB Large Pages） 處理最快！將--pcie-frac調降至0.15後，GPU 不再等待 PCIe 權重搬移，長文解碼速度直接從~57 tok/s跳升至95 ~ 107.6 tok/s！
3. 開啟 RDNA4 (
gfx1201) 四大環境變數加速開關在
strata-iq3_s.json的"env"區塊中，務必開啟以下針對 RDNA4 與 Qwen 3.8 GDN 架構的最佳化變數："STRATA_GDN_CHUNKED": "1"：啟用 Qwen 3.8 Gated DeltaNet (GDN) 線性注意力層的分塊並行加速。"STRATA_PF_FUSED": "1"：啟用 Prefill 階段的融合算子（Fused Prefill Kernels）。"STRATA_HIP_WMMA": "1"與"STRATA_SELECT_WMMA": "1"：強制在gfx1201上使用 RDNA4 WMMA 矩陣核心執行 Prompt Attention 與專家選擇。"STRATA_HIPBLASLT_TUNING"：指向0.1.55內建的gfx1201-hipblaslt-100500.txt（32 組最佳化調優表）。
4. 32GB 顯存精算配置：
12,244個常駐專家 + KV Streaming (131KContext)透過
--vram-reserve-mib 1728、-kv int8與--kv-resident 32768：- Native 投影矩陣與常駐權重：
2,253 MiB - MTP Draft 層與 Draft Head：
820 MiB + 213 MiB = 1,033 MiB - VRAM 專家快取（Profile-Guided, 無驅逐）：自動填滿
12,244 slots（23.24 GiBVRAM），啟動時以7,641 MB/s在 3.3 秒內預填完畢。 - KV Cache 智慧分層（KV Streaming）：131,072 Context 中，最活躍的 32,768 cells 常駐 VRAM，其餘溢位區塊自動停泊於
0.84 GiBPinned RAM（實戰 92K Context 下 VRAM Block 讀取命中率高達97.65%！）。 - 剩餘安全顯存餘裕：全部載入並完成 Graph Capture 後，仍保留
1,245 MiB自由 VRAM，在 Windows 11 WDDM 下穩如泰山、絕不溢位降速。
5. 雙層快取機制（Prompt Checkpoints + Conversation Cache）
針對 Hermes Agent 動輒上百輪的 Tool Calling：
--prompt-cache 12 --prompt-cache-tail --prompt-cache-every 8192：每 8K tokens 自動建立檢查點並保留尾部快取。--conversation-cache-mib 8192 --conversation-cache-slots 4：在系統 RAM 中配置 8GB 對話狀態快取池，切換會話或壓縮上下文時可在0.7 秒內停泊/恢復 75,000+ tokens 的完整狀態。
6. 啟用 Windows 2MB Large Pages（鎖定記憶體頁面）
於 Windows「本機安全性原則 (
secpol.msc)」->「本機原則」->「使用者權限指派」-> 將當前使用者加入 「鎖定記憶體中的頁 (Lock pages in memory)」 並重開機。- 啟用後，Strata 載入
46.84 GiBExpert Arena 時會顯示large pages (2097152 B)，消除 4KB 分頁表 TLB Miss，記憶體載入速度由4.07 GiB/s提升至10.60 GiB/s！
三、 完整設定檔（可直接複製使用）
1. Strata 設定檔：
D:\Strata\strata-iq3_s.json{ "exe": "D:\\Strata\\engine-feed\\engine\\0.1.55-windows-x86_64-hip-rx9070\\strata.exe", "args": [ "--pack", "D:\\Strata-data\\packs\\iq3_s", "--native", "D:\\Strata-Models\\Qwen3.8-Flash-Next-GSQ-RCO-abliterated-IQ3_S-00001-of-00002.gguf", "--ple-gguf", "D:\\Strata-Models\\Qwen3.8-Flash-Next-GSQ-RCO-abliterated-IQ3_S-00002-of-00002.gguf", "--ple-io", "mmap", "--expert-profile", "D:\\Strata\\data\\expert-profile.bin", "--expert-cache", "auto", "--vram-reserve-mib", "1728", "--prefill", "auto:6144", "--prompt-cache", "12", "--prompt-cache-tail", "--prompt-cache-every", "8192", "--conversation-cache-mib", "8192", "--conversation-cache-slots", "4", "--spec", "4", "--spec-min-p", "0.65", "--mtp", "D:\\Strata-data\\mtp\\rt", "--max-context", "131072", "--kv", "int8", "--kv-resident", "32768", "--pool-workers", "12", "--pool-affinity", "auto", "--pcie-frac", "0.15" ], "cwd": "D:\\Strata", "tokenizer": "D:\\Strata-data\\packs\\iq3_s\\tokenizer", "model_name": "qwen3.8-flash-next-iq3_s", "aliases": [ "qwen3.8-flash-next", "Qwen3.8-Flash-Next", "qwen3.8-flash-next-ud-q5_k_xl", "default", "Qwen3.8-Flash", "qwen3.8-flash", "qwen3.8-flash-next-iq3_s" ], "log": "D:\\Strata\\strata-iq3_s.log", "lib_dirs": [ "D:\\Strata\\engine-feed\\engine\\0.1.55-windows-x86_64-hip-rx9070\\rocm\\bin" ], "port": 8080, "backend": "hip", "arch": "none", "engine_ready_s": 3600, "sampling": { "temperature": 0 }, "env": { "STRATA_HIPBLASLT_TUNING": "D:\\Strata\\engine-feed\\engine\\0.1.55-windows-x86_64-hip-rx9070\\tuning\\gfx1201-hipblaslt-100500.txt", "STRATA_HIP_WMMA": "1", "STRATA_SELECT_WMMA": "1", "STRATA_ENGINE_STALL_S": "180", "STRATA_WATCHDOG_IO_S": "120", "STRATA_ROUTE_TAIL_SKIP": "0", "STRATA_PF_FUSED": "1", "STRATA_GDN_CHUNKED": "1" }, "gpu": 0, "gpus_asked": true, "fit_max_tokens": true }2. 啟動指令
@echo off cd /d D:\Strata python D:\Strata\serve\server.py --config D:\Strata\strata-iq3_s.json3. Hermes Agent 設定檔關鍵片段（
~/.hermes/profiles/main/config.yaml）為了釋放 Qwen 3.8 Flash 最強的邏輯推理與 Coding 能力，在 Hermes 中開啟
reasoning_effort: xhigh，並將extra_body保持乾淨（{}），讓 Strata 引擎全權使用原生 GPU 圖捕捉與投機解碼：model: provider: custom:local-qwen38-flash default: Qwen3.8-Flash-Next context_length: 131072 reasoning: mode: auto effort: normal budget_mode: per_request budgets: fast: 0 normal: 1024 debug: 2048 deep: 4096 maximum: 8192 agent: max_turns: 150 gateway_timeout: 5400 tool_use_enforcement: auto reasoning_effort: xhigh custom_providers: - name: local-qwen38-flash base_url: http://127.0.0.1:8080/v1 api_key: dummy api_mode: chat_completions extra_body: {} models: Qwen3.8-Flash-Next: context_length: 120000 max_tokens: 8192 stop: - <|im_end|> - <|endoftext|>
四、 調教前後實測數據對比（Hermes Agent 真實長上下文工作負載）
以下為同一張 Radeon AI PRO R9700 32GB 在 Hermes 連續執行多輪工具呼叫（73K ～ 98K Context）下的實測數據：
測試維度 調教前 ( Engine 0.1.38+ 預設參數)調教後 ( Engine 0.1.55+ 最佳化配置)改善幅度 Expert Arena 記憶體分頁與載入速度 4KB Pages ( 4.07 GiB/s)2MB Large Pages ( 10.60 GiB/s)載入速度 +160% 短中上下文解碼速度 (< 10K tokens) 45.8 ~ 58.6 tok/s85.0 ~ 105.0+ tok/s+80% 以上 超長上下文解碼速度 (75K ~ 98K tokens) 47.0 ~ 57.0 tok/s93.8 ~ 107.6 tok/s最高 +88.7% 超長上下文增量 Prefill 速度 (83K tokens) 550 ~ 963 tok/s1,321.9 tok/s+37.2% 85K Context 投機解碼接受率 (MTP+Suffix) ~62% ~ 78%85.8% ~ 91.8%(706/769)大幅降低無效驗證 跨 PCIe 臨時讀取專家比例 偏高 ( pcie_frac: 0.55)僅 0.1% ~ 0.4%(pcie_frac: 0.15)消除 PCIe 匯流排阻塞 KV Streaming VRAM 區塊命中率 (@92K) ~95%97.65%長文幾乎零延遲
五、 真實運行日誌佐證（節錄自
strata-iq3_s.log）1. 引擎啟動與 12,244 個專家預熱（3.3 秒填滿 23.24 GiB VRAM）
strata generate: expert arena: cudaHostRegister PORTABLE ok; large pages (2097152 B) strata generate: loaded 46.84 GiB at 10.60 GiB/s strata generate: hybrid CPU detected (8 P-cores / 8 threads, 16 E-cores), pool workers: 12, affinity: auto strata: Windows budgets 31707 of this card's 32624 MiB for this process strata: STRATA_HIP_WMMA: the prompt attention on matrix cores on (gfx1201) strata generate: expert cache 12244 slots, 23.24 GiB of VRAM; policy is PROFILE, ranked by routing frequency, no eviction. strata generate: pre-filled 12244 of 12244 slots from the profile in 3.3 s (7641 MB/s); slot 0 verified strata generate: R4 hit path ON - resident experts are computed on the GPU strata generate: session is up (engine 0.1.55) prefill gemm: hipBLASLt tuning enabled (32 rows, gfx1201, version 100500) strata expdec: CUDA0 gate/up type 18: expdec_gu_kernel R 1 MINB 4, 64 rows per block, grid 20 x 40 (cap 40 groups), captured into a graph strata verify: captured the 4-token window (1259 MiB of VRAM free)2. 77K ～ 92K 超長上下文連續對話實戰（穩定 94 ~ 107.6 tok/s）
strata serve: prompt 77377 tokens = 76957 reused + 420 read in 1413 ms (297.3 tok/s), 124 generated in 1203 ms (103.1 tok/s), drafts accepted 86 of 98, 12 checkpoints strata serve: decode expert cache hit rate: 90.4% (60065 hits / 66459 lookups); 261 more read by the GPU over PCIe (0.4% of all 66720 routed) strata serve: KV streaming: 97.48% of 39190284 block reads hit VRAM strata serve: prompt 83455 tokens = 77503 reused + 5952 read in 4503 ms (1321.9 tok/s), 850 generated in 8970 ms (94.8 tok/s), drafts accepted 519 of 633, 12 checkpoints strata serve: decode expert cache hit rate: 91.3% (422357 hits / 462382 lookups); 1298 more read by the GPU over PCIe (0.3% of all 463680 routed) strata serve: prompt 85430 tokens = 85109 reused + 321 read in 1506 ms (213.2 tok/s), 1026 generated in 9534 ms (107.6 tok/s), drafts accepted 706 of 769, 12 checkpoints strata serve: decode expert cache hit rate: 90.7% (473213 hits / 521738 lookups); 1942 more read by the GPU over PCIe (0.4% of all 523680 routed) strata serve: prompt 86745 tokens = 86457 reused + 288 read in 1161 ms (248.0 tok/s), 2130 generated in 21490 ms (99.1 tok/s), drafts accepted 1344 of 1566, 12 checkpoints strata serve: decode expert cache hit rate: 92.4% (1040397 hits / 1125615 lookups); 3345 more read by the GPU over PCIe (0.3% of all 1128960 routed) strata serve: KV streaming: 97.65% of 69316200 block reads hit VRAM
六、 同場加映：雙 R9700 玩家的「主從分離」架構（選配）
如果你的機器插了兩張 R9700 32GB，強烈建議採用 「GPU 0 專職主推論 + GPU 1 專職輔助與多模態」 的零干擾架構，避免背景壓縮任務洗掉 GPU 0 的 Prompt Cache：
- GPU 0 (
Port 8080, Strata0.1.55)：跑 Qwen 3.8 Flash (UD-IQ3_S)，100% 服務 Hermes 主 Agent 迴圈（reasoning_effort: xhigh）。 - GPU 1 (
Port 8081,llama-server.exeVulkan1)：跑 Qwen 3.8 27B (IQ4_XS) + DFlash2 (Q8_0) + Vision (F16)，專門承接 Hermes 的auxiliary.vision（圖片理解）、auxiliary.compression（長對話背景摘要壓縮）與delegation（子 Agent 委派）。- GPU 1 調教重點：關閉預設思考（
--reasoning off --reasoning-budget 0 --no-reasoning-preserve）、設定預設生成護欄（-n 4096 --temp 0.2）、啟用-ctk q8_0 -ctv q8_0 -ub 1024 --cache-reuse 256，並移除extra_body中的dry_multiplier/repeat_penalty以維持純 GPU 後端取樣，DFlash2 命中率可達85.7% ~ 95.8%，長文結構化萃取速度達76.2 ~ 78.4 tok/s！
- GPU 1 調教重點：關閉預設思考（
七、 常見踩坑與排錯總結
- 開機首次冷啟動卡在
reading the model's weights ...逾時斷線？- 原因：首次開機尚無 Windows 檔案快取時，從硬碟讀取近 50GB 權重可能超過預設啟動等待秒數。
- 解法：在
strata-iq3_s.json加入"engine_ready_s": 3600，並將--ple-io設為"mmap"，只要過一次硬碟快取，後續重啟僅需 15 秒（10.60 GiB/s）。
strata-iq3_s.log出現large pages refused ... VirtualAlloc error 1314？- 原因：Windows 預設未授予帳戶
SeLockMemoryPrivilege權限。 - 解法：至
secpol.msc->「鎖定記憶體中的頁」加入使用者帳戶並重登/重開機，即可啟用 2MB Large Pages。
- 原因：Windows 預設未授予帳戶
- 為什麼不建議在
config.yaml對本地模型加dry_multiplier或repeat_penalty？- 原因：Qwen 3.8 詞表高達
248,320，一旦啟用 CPU 端的 DRY / Repeat Penalty，每步驗證 4 個草稿 Token 都必須把將近4 MB的 Logits 從顯存搬回 CPU 掃描並改寫機率分佈，不僅迫使 GPU Backend Sampling 失效，還會讓投機解碼接受率大跌 10% 以上。保持extra_body: {}搭配低溫取樣效果最好、速度最快！
- 原因：Qwen 3.8 詞表高達
- 85K～98K 超長上下文解碼速度：由舊版
-
-
这个年代100k 还算是超长上下文吗？
-
-
-
你这个prefill速度不对劲，怎么只有1300tok/s，建议把--prefill 从 auto:6144 改成 auto:32768，32k以上输入情况下，prefill速度能提升到2600tok/s，32k以下输入也能保持2000tok/s。如果再把引擎升级到0.1.56(默认起草器从mtp变成了dflash2)，prefill可以进一步提升到3000tok/s。
-
R9700真貴阿...今天pchome看到powercolor這張，75000都要吐血了
我前兩周買單張也才61000而已
話說你可以試試radiance，他對單張R9700的調校也很不錯
我這邊機器是w1370p + ddr4 96g (32x2 + 16x2) 2666 + R9700
跑iq4r精度, 256K上下文開滿，KV fp8可以優化到prefill 3500, decode 75左右
系統記憶體常駐64g左右
而且有多路併發decode需求，radiance因繼承vllm架構平行效果明顯較好 -
R9700真貴阿...今天pchome看到powercolor這張，75000都要吐血了
我前兩周買單張也才61000而已
話說你可以試試radiance，他對單張R9700的調校也很不錯
我這邊機器是w1370p + ddr4 96g (32x2 + 16x2) 2666 + R9700
跑iq4r精度, 256K上下文開滿，KV fp8可以優化到prefill 3500, decode 75左右
系統記憶體常駐64g左右
而且有多路併發decode需求，radiance因繼承vllm架構平行效果明顯較好 -
-
-
@game-game 有可能憾訊的散熱用料比較好吧...
但不管是69990還是74900，根據之前的經驗估計過2天就消失囉QQ -
R9700真貴阿...今天pchome看到powercolor這張，75000都要吐血了
我前兩周買單張也才61000而已
話說你可以試試radiance，他對單張R9700的調校也很不錯
我這邊機器是w1370p + ddr4 96g (32x2 + 16x2) 2666 + R9700
跑iq4r精度, 256K上下文開滿，KV fp8可以優化到prefill 3500, decode 75左右
系統記憶體常駐64g左右
而且有多路併發decode需求，radiance因繼承vllm架構平行效果明顯較好 -
-
-
-
。
本帖参与讨论人数已达 10+，入选热议，作者 +3 积分奖励！
版主审定：本帖设为优秀，作者 +3 积分奖励，继续加油！