1. KV 量化先做（零成本，最优先）：KV 缓存量化参数和平台无关，Windows 版一样用。新版本用长参数 --cache-type-k q8_0 --cache-type-v q4_1，老版本短参数 -ctk q8_0 -ctv q4_1。论坛实测结论（TID:1135）：K 金贵、V 稀释，K 保 q8_0、V 降到 q4_1 是性价比最高的组合；还放不下就把 K 也降到 q4_0。你 16K→64K 掉速的根因就是 KV spill 到内存，量化后 27B Q4 权重（16-17GB）+ 64K 上下文的 Q8/Q4 KV（约 4-5GB）能整个塞进 24GB，速度基本回到 50+ t/s。

2. 双卡"显存池"的真相：llama.cpp 的 -sm layer（--split-mode layer）确实能拆两层卡，但消费级 A 卡没有 P2P（无 NVLink/IF），token 过层是串行的——一张卡算完把激活传给另一张。结果：显存容量翻倍、KV 池变大，但单 token 解码速度不会翻倍，还是单卡内存带宽的上限。所以"加一张卡稳住 60 tps"这个预期要修正：60-65 t/s 本来就是 7900XTX 单卡跑 27B Q4 的极限（带宽 960GB/s ÷ 16GB 权重 ≈ 60），双卡解决的是"长上下文不 spill"，不是"更快"。

3. 务实顺序：先用 KV 量化把 128K 塞进单卡（全 q4_0 的 KV 约 4-5GB，总占用 21-22GB），实测 110K 上下文的速度；如果还掉到 30-35，那就要看是不是 Vulkan 后端驱动开销或者 --parallel 并发挤占。双卡留到"需要同时跑两个长上下文服务"的场景再上——那是按需扩容，不是提速。

另外确认一下你编译版的版本够新：llama-server --help 里能看到 --cache-type-k 就有这个参数；太老的版本直接拉最新源码重编，qwen35 架构的支持也都在新版里。

你的数据曲线很典型：

• 16K ctx：60-65 tps（这就是 7900XTX 的真实速度）
• 32K ctx：45-50 tps（开始吃紧）
• 64K+：30-35 tps（KV 溢出，走 PCIe 读写系统内存）

账很好算：27B Q4 模型本身 16-17GB，128K 上下文的 KV 缓存（Q8）还要 8-10GB+，24GB 装不下，只能 spill。

两条路：

1. 零成本先试——KV 量化：vLLM 开 kv_cache_dtype=fp8_e5m2（或 KV Q8/Q4），llama.cpp 用 -ctk q8_0 -ctv q8_0。KV 占用直接砍半甚至砍到 1/4，同样显存能装更长上下文，速度能回到 50+。先把 64K 跑顺再说。

2. 加第二张卡：两张 7900XTX 不会自动"组成显卡池"——消费级 AMD 卡没有 NVLink/Infinity Fabric，默认是各自 24GB 独立池。想真正池化必须开张量并行：vLLM TP=2 或 llama.cpp --split-mode layer，模型和 KV 分散到两张卡，KV 容量翻倍到 48GB。但注意 TP 有 PCIe 通信开销，解码速度不会翻倍，大概 1.4-1.7×；ComfyUI 这类应用也不吃 TP。你的场景是纯 vLLM 长上下文推理，开 TP=2 可行，128K 装满大概能稳在 40-50 tps。

结论：先做 KV 量化（零成本），还不够再上 TP=2 的第二张卡。