先说下我的情况，模型第一次冷启动基本2分钟左右，然后初始速度是60tok/s左右

这个时候上下文在16k左右
如果是开着思考的话，那么一次任务的思考，会造成上下文越来越多

在上下文达到32k左右，那么速度回降到45tok/s

如果上下文达到64k左右，那么速度会继续降到30tok/s附近

我试过用128k上下文，基本模型的上下文达到64k后，速度就稳定在30附近了
对此，如果是短任务的话只能坐一次然后手动去停掉模型然后重新启动，并且dsh这边要手动压缩上下文

当然，关掉思考模式的话确实像锤哥说的一样，体感反应速度真的很舒服，单纯聊聊天还是可以的

我也不想没错开关思考模型都要启动模型一遍，就让它自己加上了网页端可以设置思考或者不思考的选

任务方面的话我已经测试过了，短任务，比如登录某个网站上去查询数据下来放表格，我工作上的事情已经能做并且完美完成，唯一的确定就是慢。

思考链又臭又长，我只能交代繁琐重复的任务让他执行，然后我去干别的活，长代码方面我就没试过了，但是根据别的朋友反馈说代码能力很强

关于这个降速的问题我怀疑是因为思考时候产生的上下文溢出到内存了，才导致速度变慢，我打算看什么时候再收一张7900xtx进行双卡测试，如果真的是这个原因，并且得到解决的话，那我真的不用花钱去订阅了，60tok/s对我来说刚好

下面是我的启动参数
.\llama-server.exe -m moxing\Qwen3.8-27B-Q4_0_ROCMFP4_FAST.gguf
--model-draft moxing\mtp-Qwen3.8-27B-Q8_0.gguf
--spec-type draft-mtp
--spec-mtp-strict-qwen
--spec-draft-ngl 99
--spec-draft-n-max 3
--spec-draft-n-min 0
--spec-draft-p-min 0.0
--host 0.0.0.0 --port 8655
-c 128000 -b 2048 -ub 512
--flash-attn on -np 1
--kv-unified
--cache-ram 8192
--cache-type-k q4_0
--cache-type-v q4_0
--repeat-last-n 64
--repeat-penalty 1.05
--presence-penalty 0.0
--frequency-penalty 0.0
--temp 0.6 --top-p 0.85
--top-k 40 --min-p 0.05
--mmap
--jinja -fit off -dio --jinja --chat-template-file chat_template.jinja

.\llama-server.exe -m moxing\Qwen3.8-27B-Q4_0_ROCMFP4_FAST.gguf --model-draft moxing\mtp-Qwen3.8-27B-Q8_0.gguf --spec-type draft-mtp --spec-mtp-strict-qwen --spec-draft-ngl 99 --spec-draft-n-max 3 --spec-draft-n-min 0 --spec-draft-p-min 0.0 --host 0.0.0.0 --port 8655 -c 70000 -b 2048 -ub 512 --flash-attn on -np 1 --kv-unified --cache-ram 8192 --cache-type-k q4_0 --cache-type-v q4_0 --repeat-last-n 64 --repeat-penalty 1.05 --presence-penalty 0.0 --frequency-penalty 0.0 --temp 0.6 --top-p 0.85 --top-k 40 --min-p 0.05 --mmap --jinja -fit off -dio --jinja --chat-template-file chat_template.jinja

同样显卡的兄弟可以去试试，结果跟我说下我看看你们是不是也是同样情况，如果有双卡的哥们试完记得跟我说下