跳转至内容
  • 版块
  • 最新
  • 标签
  • 热门
  • 用户
  • 群组
皮肤
  • 浅色
  • Brite
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • 深色
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • 默认(LCZ-Blue)
  • 不使用皮肤
  • LCZ-Green
  • LCZ-Blue
折叠
品牌标识

抡锤者

  1. 主页
  2. 版块
  3. LLM讨论区
  4. Qwen3.8 27B Q5_K_M + 7900xtx + DeepSeek Harness实战平均 52 t/s

Qwen3.8 27B Q5_K_M + 7900xtx + DeepSeek Harness实战平均 52 t/s

已定时 已固定 已锁定 已移动 LLM讨论区
qwen-27b7900xtxdsharness
36 帖子 14 发布者 1.1k 浏览 4 关注中
  • 从旧到新
  • 从新到旧
  • 最多赞同
回复
  • 在新帖中回复
登录后回复
此主题已被删除。只有拥有主题管理权限的用户可以查看。
  • 6 6cccccc

    为啥我的启动参数是这样:
    -m "$SELECTED_MODEL" -t 10 -b 512 -ub 256
    --spec-draft-n-max 3 --fit off --no-context-shift
    --metrics --kv-unified --jinja
    --cache-type-k q8_0 --cache-type-v q8_0
    -fa on --spec-type draft-mtp
    --ctx-size 131072 --parallel 1 -ngl -1
    --host 0.0.0.0 --port $LLAMA_PORT
    --chat-template-kwargs {"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}
    --no-mmap --temp 0.6 --top-p 0.5 --top-k 15 --repeat-penalty 1.0
    --alias qwen3.8-27b-q5
    仍然速度很低,只有12左右
    配置如下
    cpu: AMD Ryzen 7 2700 Eight-Core Processor (8核16线程, 3.2GHz)
    RAM: 64GB DDR4
    GPU: AMD Radeon RX 7900 XTX 24GB (RADV NAVI31)
    OS: Ubuntu 26.04 LTS (内核 7.0.0-29-generic)
    软件 : llama.cpp Vulkan b10486

    懒人烘培懒 离线
    懒人烘培懒 离线
    懒人烘培
    编写于 最后由 编辑
    #25

    @6cccccc
    试试我那参数呢,不应该只有12

    1 条回复 最后回复
    0
    • 6 6cccccc

      为啥我的启动参数是这样:
      -m "$SELECTED_MODEL" -t 10 -b 512 -ub 256
      --spec-draft-n-max 3 --fit off --no-context-shift
      --metrics --kv-unified --jinja
      --cache-type-k q8_0 --cache-type-v q8_0
      -fa on --spec-type draft-mtp
      --ctx-size 131072 --parallel 1 -ngl -1
      --host 0.0.0.0 --port $LLAMA_PORT
      --chat-template-kwargs {"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}
      --no-mmap --temp 0.6 --top-p 0.5 --top-k 15 --repeat-penalty 1.0
      --alias qwen3.8-27b-q5
      仍然速度很低,只有12左右
      配置如下
      cpu: AMD Ryzen 7 2700 Eight-Core Processor (8核16线程, 3.2GHz)
      RAM: 64GB DDR4
      GPU: AMD Radeon RX 7900 XTX 24GB (RADV NAVI31)
      OS: Ubuntu 26.04 LTS (内核 7.0.0-29-generic)
      软件 : llama.cpp Vulkan b10486

      E 离线
      E 离线
      exllm
      德高望重
      编写于 最后由 编辑
      #26

      @6cccccc 你BIOS开above 4G decoding了吗?

      terryT 6 2 条回复 最后回复
      0
      • E exllm

        @6cccccc 你BIOS开above 4G decoding了吗?

        terryT 在线
        terryT 在线
        terry
        超级版主
        编写于 最后由 编辑
        #27

        @exllm 开不开影响都不大,我实测没感觉出来区别,但是有大神测了有区别。

        油管:https://www.youtube.com/@抡锤者

        1 条回复 最后回复
        0
        • 6 6cccccc

          为啥我的启动参数是这样:
          -m "$SELECTED_MODEL" -t 10 -b 512 -ub 256
          --spec-draft-n-max 3 --fit off --no-context-shift
          --metrics --kv-unified --jinja
          --cache-type-k q8_0 --cache-type-v q8_0
          -fa on --spec-type draft-mtp
          --ctx-size 131072 --parallel 1 -ngl -1
          --host 0.0.0.0 --port $LLAMA_PORT
          --chat-template-kwargs {"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}
          --no-mmap --temp 0.6 --top-p 0.5 --top-k 15 --repeat-penalty 1.0
          --alias qwen3.8-27b-q5
          仍然速度很低,只有12左右
          配置如下
          cpu: AMD Ryzen 7 2700 Eight-Core Processor (8核16线程, 3.2GHz)
          RAM: 64GB DDR4
          GPU: AMD Radeon RX 7900 XTX 24GB (RADV NAVI31)
          OS: Ubuntu 26.04 LTS (内核 7.0.0-29-generic)
          软件 : llama.cpp Vulkan b10486

          懒人烘培懒 离线
          懒人烘培懒 离线
          懒人烘培
          编写于 最后由 编辑
          #28

          @6cccccc
          刚才实际测试了,如果开启Thinking了,速度也只有16,把Thinking Off后,速度我就恢复了70了。注意

          6 1 条回复 最后回复
          0
          • Michael GillM 离线
            Michael GillM 离线
            Michael Gill
            编写于 最后由 编辑
            #29

            @exllm @terry 感谢二位,以为本地部署没啥希望,刚好是7900xtx,简单测试

            fca927c4-1f8f-4a08-b70c-feeb467a8ba1-image.jpeg

            9383fec9-16fa-4792-b1dd-d25cc6dcaad5-image.jpeg

            1 条回复 最后回复
            0
            • farmer nodeF 离线
              farmer nodeF 离线
              farmer node
              编写于 最后由 编辑
              #30
              此主題已被删除!
              1 条回复 最后回复
              0
              • E exllm

                @6cccccc 你BIOS开above 4G decoding了吗?

                6 离线
                6 离线
                6cccccc
                编写于 最后由 编辑
                #31

                @exllm 我一会试试

                1 条回复 最后回复
                0
                • 懒人烘培懒 懒人烘培

                  @6cccccc
                  刚才实际测试了,如果开启Thinking了,速度也只有16,把Thinking Off后,速度我就恢复了70了。注意

                  6 离线
                  6 离线
                  6cccccc
                  编写于 最后由 编辑
                  #32

                  @懒人烘培 嗯,我一会试试,好像开了后,mtp命中率很低

                  1 条回复 最后回复
                  0
                  • L 离线
                    L 离线
                    laobenxiong
                    德高望重 劳动模范
                    编写于 最后由 laobenxiong 编辑
                    #33

                    感谢楼主. 7900xtx 能跑,不错. 明天试试dsh. 今天dsh+v4pro花了100多, 肉疼(不过确实强, 长链自主调试FPGA, 综合+ila probe+烧写+测试+uart输出分析一条龙, 我基本可以不用管, 花token就行).
                    802712c0-6935-4c19-b583-ca3851ade37f-image.jpeg

                    bruin@lmde7 ~ $ ./run-3.8-q5.sh
                    0.00.035.069 W Setting 'enable_thinking' via --chat-template-kwargs is deprecated. Use --reasoning on / --reasoning off instead.
                    0.00.035.097 W DEPRECATED: --mmap and --no-mmap are deprecated. use --load-mode mmap instead
                    0.00.039.005 I cmn  common_param: common_params_print_info: verbosity = 3 (adjust with the `-lv N` CLI arg)
                    0.00.039.491 W srv  llama_server: -----------------
                    0.00.039.495 W srv  llama_server: CORS is set to allow all origins ('*') and no API key is set
                    0.00.039.495 W srv  llama_server: this can be a security risk (cross-origin attacks)
                    0.00.039.495 W srv  llama_server: more info: https://github.com/ggml-org/llama.cpp/pull/25655
                    0.00.039.495 W srv  llama_server: -----------------
                    0.00.040.765 I srv    load_model: loading model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                    0.08.836.391 I cmn          init: llama threadpool init, n_threads = 10
                    0.09.247.607 I common_speculative_init_result: creating MTP draft context against the target model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                    0.09.318.357 I srv    load_model: initializing, n_slots = 1, n_ctx_slot = 131072, kv_unified = 'true'
                    0.09.457.688 I srv          init: chat template supports preserving reasoning, consider enabling it via --reasoning-preserve
                    0.09.457.746 I srv  llama_server: model loaded
                    0.09.457.750 I srv  llama_server: listening on http://0.0.0.0:8000
                    0.31.502.907 I slot get_availabl: id  0 | task -1 | selected slot by LRU, t_last = -1
                    0.31.503.144 I slot launch_slot_: id  0 | task 0 | processing task, is_child = 0
                    0.33.674.917 I slot print_timing: id  0 | task 0 | prompt eval time =    1607.08 ms /   333 tokens (    4.83 ms per token,   207.21 tokens per second)
                    0.33.674.922 I slot print_timing: id  0 | task 0 |        eval time =     564.47 ms /    34 tokens (   17.11 ms per token,    58.46 tokens per second)
                    0.33.674.923 I slot print_timing: id  0 | task 0 |       total time =    2171.56 ms /   367 tokens
                    0.33.674.928 I slot print_timing: id  0 | task 0 |    graphs reused =         11
                    0.33.674.930 I slot print_timing: id  0 | task 0 | draft acceptance = 0.72727 (   24 accepted /    33 generated), mean len =  3.18
                    0.33.674.999 I slot      release: id  0 | task 0 | stop processing: n_tokens = 368, truncated = 0
                    0.39.250.971 I slot get_availabl: id  0 | task -1 | selected slot by LCP similarity, f_sim_best = 0.963 (> 0.100 thold), f_keep = 1.000
                    0.39.251.208 I slot launch_slot_: id  0 | task 16 | processing task, is_child = 0
                    0.40.592.295 I slot print_timing: id  0 | task 16 | prompt eval time =     368.90 ms /    14 tokens (   26.35 ms per token,    37.95 tokens per second)
                    0.40.592.303 I slot print_timing: id  0 | task 16 |        eval time =     972.01 ms /    67 tokens (   14.73 ms per token,    67.90 tokens per second)
                    0.40.592.303 I slot print_timing: id  0 | task 16 |       total time =    1340.91 ms /    81 tokens
                    0.40.592.305 I slot print_timing: id  0 | task 16 |    graphs reused =         31
                    0.40.592.307 I slot print_timing: id  0 | task 16 | draft acceptance = 0.71429 (   45 accepted /    63 generated), mean len =  3.14
                    0.40.592.367 I slot      release: id  0 | task 16 | stop processing: n_tokens = 448, truncated = 0
                    

                    llama.cpp 我用的最新 b10485; 完全抄作业:

                    bruin@lmde7 ~ $ cat run-3.8-q5.sh
                    #!/bin/bash
                    
                    # ref: https://lcz.me/topic/1157/qwen3.8-27b-q5_k_m-7900xtx-deepseek-harness%E5%AE%9E%E6%88%98%E5%B9%B3%E5%9D%87-52-t-s
                    
                    LLAMA_SERVER=/home/bruin/llama-server-vulkan-b10485
                    MAIN_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf"
                    MTMD_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/mmproj-F16.gguf"
                    #--mmproj "${MTMD_MODEL}" \
                    
                    ${LLAMA_SERVER} \
                    --device Vulkan0 \
                    --model "${MAIN_MODEL}" \
                    -t 10 \
                    -b 512 \
                    -ub 256 \
                    --spec-draft-n-max 3 \
                    --fit off \
                    --no-context-shift \
                    --metrics \
                    --kv-unified \
                    --jinja \
                    --cache-type-k q8_0 \
                    --cache-type-v q8_0 \
                    -fa on \
                    --spec-type draft-mtp \
                    --ctx-size 131072 \
                    --parallel 1 \
                    -ngl -1 \
                    --host 0.0.0.0 \
                    --port 8000 \
                    --chat-template-kwargs '{"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}' \
                    --no-mmap \
                    --temp 0.6 \
                    --top-p 0.5 \
                    --top-k 15 \
                    --repeat-penalty 1.0 \
                    --override-tensor blk\.\d+\.ffn_.*_exps\.=CPU \
                    --alias qwen3.8-27b-q5
                    

                    b7d3fd10-965f-4fff-86c9-7e0b456f7dd6-image.jpeg

                    6 1 条回复 最后回复
                    1
                    • L laobenxiong

                      感谢楼主. 7900xtx 能跑,不错. 明天试试dsh. 今天dsh+v4pro花了100多, 肉疼(不过确实强, 长链自主调试FPGA, 综合+ila probe+烧写+测试+uart输出分析一条龙, 我基本可以不用管, 花token就行).
                      802712c0-6935-4c19-b583-ca3851ade37f-image.jpeg

                      bruin@lmde7 ~ $ ./run-3.8-q5.sh
                      0.00.035.069 W Setting 'enable_thinking' via --chat-template-kwargs is deprecated. Use --reasoning on / --reasoning off instead.
                      0.00.035.097 W DEPRECATED: --mmap and --no-mmap are deprecated. use --load-mode mmap instead
                      0.00.039.005 I cmn  common_param: common_params_print_info: verbosity = 3 (adjust with the `-lv N` CLI arg)
                      0.00.039.491 W srv  llama_server: -----------------
                      0.00.039.495 W srv  llama_server: CORS is set to allow all origins ('*') and no API key is set
                      0.00.039.495 W srv  llama_server: this can be a security risk (cross-origin attacks)
                      0.00.039.495 W srv  llama_server: more info: https://github.com/ggml-org/llama.cpp/pull/25655
                      0.00.039.495 W srv  llama_server: -----------------
                      0.00.040.765 I srv    load_model: loading model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                      0.08.836.391 I cmn          init: llama threadpool init, n_threads = 10
                      0.09.247.607 I common_speculative_init_result: creating MTP draft context against the target model '/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf'
                      0.09.318.357 I srv    load_model: initializing, n_slots = 1, n_ctx_slot = 131072, kv_unified = 'true'
                      0.09.457.688 I srv          init: chat template supports preserving reasoning, consider enabling it via --reasoning-preserve
                      0.09.457.746 I srv  llama_server: model loaded
                      0.09.457.750 I srv  llama_server: listening on http://0.0.0.0:8000
                      0.31.502.907 I slot get_availabl: id  0 | task -1 | selected slot by LRU, t_last = -1
                      0.31.503.144 I slot launch_slot_: id  0 | task 0 | processing task, is_child = 0
                      0.33.674.917 I slot print_timing: id  0 | task 0 | prompt eval time =    1607.08 ms /   333 tokens (    4.83 ms per token,   207.21 tokens per second)
                      0.33.674.922 I slot print_timing: id  0 | task 0 |        eval time =     564.47 ms /    34 tokens (   17.11 ms per token,    58.46 tokens per second)
                      0.33.674.923 I slot print_timing: id  0 | task 0 |       total time =    2171.56 ms /   367 tokens
                      0.33.674.928 I slot print_timing: id  0 | task 0 |    graphs reused =         11
                      0.33.674.930 I slot print_timing: id  0 | task 0 | draft acceptance = 0.72727 (   24 accepted /    33 generated), mean len =  3.18
                      0.33.674.999 I slot      release: id  0 | task 0 | stop processing: n_tokens = 368, truncated = 0
                      0.39.250.971 I slot get_availabl: id  0 | task -1 | selected slot by LCP similarity, f_sim_best = 0.963 (> 0.100 thold), f_keep = 1.000
                      0.39.251.208 I slot launch_slot_: id  0 | task 16 | processing task, is_child = 0
                      0.40.592.295 I slot print_timing: id  0 | task 16 | prompt eval time =     368.90 ms /    14 tokens (   26.35 ms per token,    37.95 tokens per second)
                      0.40.592.303 I slot print_timing: id  0 | task 16 |        eval time =     972.01 ms /    67 tokens (   14.73 ms per token,    67.90 tokens per second)
                      0.40.592.303 I slot print_timing: id  0 | task 16 |       total time =    1340.91 ms /    81 tokens
                      0.40.592.305 I slot print_timing: id  0 | task 16 |    graphs reused =         31
                      0.40.592.307 I slot print_timing: id  0 | task 16 | draft acceptance = 0.71429 (   45 accepted /    63 generated), mean len =  3.14
                      0.40.592.367 I slot      release: id  0 | task 16 | stop processing: n_tokens = 448, truncated = 0
                      

                      llama.cpp 我用的最新 b10485; 完全抄作业:

                      bruin@lmde7 ~ $ cat run-3.8-q5.sh
                      #!/bin/bash
                      
                      # ref: https://lcz.me/topic/1157/qwen3.8-27b-q5_k_m-7900xtx-deepseek-harness%E5%AE%9E%E6%88%98%E5%B9%B3%E5%9D%87-52-t-s
                      
                      LLAMA_SERVER=/home/bruin/llama-server-vulkan-b10485
                      MAIN_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q5_K_S.gguf"
                      MTMD_MODEL="/opt/gguf-models/unsloth/Qwen3.8-27B-GGUF/mmproj-F16.gguf"
                      #--mmproj "${MTMD_MODEL}" \
                      
                      ${LLAMA_SERVER} \
                      --device Vulkan0 \
                      --model "${MAIN_MODEL}" \
                      -t 10 \
                      -b 512 \
                      -ub 256 \
                      --spec-draft-n-max 3 \
                      --fit off \
                      --no-context-shift \
                      --metrics \
                      --kv-unified \
                      --jinja \
                      --cache-type-k q8_0 \
                      --cache-type-v q8_0 \
                      -fa on \
                      --spec-type draft-mtp \
                      --ctx-size 131072 \
                      --parallel 1 \
                      -ngl -1 \
                      --host 0.0.0.0 \
                      --port 8000 \
                      --chat-template-kwargs '{"enable_thinking": true, "preserve_think": false, "reasoning_effort": "medium"}' \
                      --no-mmap \
                      --temp 0.6 \
                      --top-p 0.5 \
                      --top-k 15 \
                      --repeat-penalty 1.0 \
                      --override-tensor blk\.\d+\.ffn_.*_exps\.=CPU \
                      --alias qwen3.8-27b-q5
                      

                      b7d3fd10-965f-4fff-86c9-7e0b456f7dd6-image.jpeg

                      6 离线
                      6 离线
                      6cccccc
                      编写于 最后由 编辑
                      #34

                      @laobenxiong 确实,用了你这个q5ks的模型,我的速度终于正常了,也不用关thinking,不知道为什么其他人的q5km可以

                      1 条回复 最后回复
                      0
                      • X 离线
                        X 离线
                        xl
                        编写于 最后由 编辑
                        #35

                        关于--parallel 2 的测试

                        软硬件环境:
                        cpu: AMD Ryzen 7 9700X
                        RAM:DDR5 64GB 6000
                        GPU:R9700 32G
                        OS: Ubuntu 24.04
                        软件 : llama.cpp + vulkan

                        结论:将并行设为1或者2,大部分情况下,性能变化属于正常波动,没有明显差别。

                        但是,即使有32G显存,有些任务还是会报以下错误:
                        26.48.401.777 E init_batch: failed to prepare attention ubatches
                        26.48.401.778 W decode: failed to find a memory slot for batch of size 16
                        26.48.401.779 W srv decode: failed to find free space in the KV cache, retrying with smaller batch size, off = 190, n_batch = 8, ret = 1
                        26.48.403.275 E init_batch: failed to prepare attention ubatches
                        26.48.403.277 W decode: failed to find a memory slot for batch of size 8
                        26.48.403.277 W srv decode: failed to find free space in the KV cache, retrying with smaller batch size, off = 190, n_batch = 4, ret = 1
                        虽然使用了 --cache-type-k/v q8_0 做 KV 量化来节省显存,但是 128K 的超长上下文,加上 --parallel 2,对 KV Cache 的要求依然极其恐怖。模型权重稳稳地占了 17GB。但当开启并发,且 Prompt 超长时,给 128K 上下文预留的 KV Cache 空间,在高峰期(特别是并发请求时)瞬间耗尽了,导致没有空位给下一个 Token 的生成。
                        好消息是,llama.cpp不能为KV Cache分配空间,并不会导致崩溃或任务中断(我没有碰到过),只会导致llama.cpp降级重试,严重的情况下会感觉明显卡顿而已,不用过于担心。
                        所以,用7900XTX的朋友,把并发设为1可能是更好的选择。

                        1 条回复 最后回复
                        0
                        • ,系统 取消固定了此主题
                        • E 离线
                          E 离线
                          Enigma
                          编写于 最后由 编辑
                          #36

                          感谢分享,学习中。。。

                          1 条回复 最后回复
                          0

                          你好!看起来您对这段对话很感兴趣,但您还没有一个账号。

                          厌倦了每次访问都刷到同样的帖子?您注册账号后,您每次返回时都能精准定位到您上次浏览的位置,并可选择接收新回复通知(通过邮件或推送通知)。您还能收藏书签、为帖子顶,向社区成员表达您的欣赏。

                          有了你的建议,这篇帖子会更精彩哦 💗

                          注册 登录
                          回复
                          • 在新帖中回复
                          登录后回复
                          • 从旧到新
                          • 从新到旧
                          • 最多赞同


                          • 登录

                          • 登录或注册以进行搜索。
                          • 第一个帖子
                            最后一个帖子
                          0
                          • 版块
                          • 最新
                          • 标签
                          • 热门
                          • 用户
                          • 群组