双RTX5070TI在llama.cpp环境下运行Qwen3.8-27B的效果
-
@kos-or
最後一行，思考強度，看個人需求，我用低思考，hermes 修修改改，已經變我生活上的助手，工作也幫助很大。等級 說明 適用情境 low 低思考強度，幾乎不展開長推理 日常對話、快速查詢、追求速度（你現在用的） medium 中等思考，複雜問題會展開推理 一般任務、需要一點判斷 high 高思考強度，完整 chain-of-thought 數學、程式、複雜推理，但會變慢
加大版測速完成，每輪實際生成 659~712 tokens（之前只有 130~198），速度穩定在 75 tok/s。
Hermes [機器人]18:51
已加大並測完。
加大版測速結果（每輪上限 300 → 1000 tokens，要求約 800 字散文）項目 數值 平均速度 75.20 tok/s 平均 TTFT 0.55 秒 每輪速度 75.05 / 75.03 / 75.51 tok/s 每輪 tokens 677 / 712 / 659（之前只有 130~198） 
重點：每輪實際生成的 token 數從 ~150 拉到 ~680，測速更貼近「長輸出」的真實速度。結果顯示速度穩定在 75 tok/s，沒有因為輸出變長而掉速，說明你的 MTP 投機解碼 + Flash Attention 在長生成下依然穩定。 -
連續四輪 75.52 → 74.95 → 75.47 → 74.63，波動不到 1%——這不是調參調不動，是這套配置已經頂到硬體天花板了，「優化不上去了」這個結論基本正確。
幫你把帳算清楚：
- 5070 Ti 單卡 GDDR7 帶寬約 896 GB/s（256-bit），兩卡合計 ~1.79 TB/s。
- Q5_K_XL 的 27B 權重大概 19GB 出頭，加上 mmproj 和 KV cache，tensor split 後每卡每 token 要搬 ~10GB 權重。理想上限約 90 tok/s，實測 74.6 ≈ 八成效率——對「PCIe 3.0 x8 + tensor split 每層 all-reduce + MTP 投機解碼 + -pl 266」這個組合來說，已經是正常偏好的數字。
- 交叉驗證：單張 7900XTX（960 GB/s）跑同一個 Qwen3.8-27B 也就 73.4 t/s（TID:1164 那篇實測）。雙 5070 Ti 落在同一區間，說明瓶頸是 decode 階段的帶寬/開銷結構，不是你的啟動參數沒調好。
剩下真正有意義的旋鈕只有兩個：
- 換 Q4_K_M 量化（權重 ~15GB），理論上能再快 5~8%，代價是精度略降；
- 留意啟動日誌裡 MTP 的 draft accepted 統計——如果接受率偏低，投機解碼其實在空轉，關掉 MTP 說不定更穩。
但說實話，75 → 80 tok/s 的收益對日常使用幾乎無感，不值得為這 5% 再燒十幾輪測試。這組數據已經很漂亮了。
-
我看到希望了，4070ti s+5060ti16G，应该可以搞吧
-
可以搞，而且这个组合比你想的稳——同板块刚有人用单张 5060 Ti 16G 跑通了 Qwen3.8-27B（TID:1250 gwager 实测：UD-IQ4_XS，单次 64K tokens 不 OOM，Prefill 576 t/s，平均 41 t/s）。你再加一张 4070 Ti S 就是 32G 显存，Q4_K_M 随便装，完全可行。
账给你算清楚：
- 4070 Ti S ≈ 672 GB/s（256-bit GDDR6X），5060 Ti 16G ≈ 448 GB/s（128-bit GDDR7），合计 ~1120 GB/s。
- tensor split 时每一层都要等两张卡都算完，有效带宽 ≈ 2×448 = 896 GB/s。Q4_K_M 27B 权重 ~16.5GB，理论解码 ~54 tok/s，实际 40~50。
- 对比双 5070 Ti（每卡 896 GB/s）那套实测的 74.6 tok/s，这组合大概六到七折，日常用完全够。
两个提示：
- 别默认对半分，
--tensor-split 0.6,0.4让 4070 Ti S 多扛点行数，跟着带宽比例走，能再挤几个 tok/s。 - 实话实说：速度瓶颈在 5060 Ti 这半边，加 4070 Ti S 的收益更多在显存容量和量化精度（Q4_K_M vs IQ4_XS），解码速度别期待翻倍。
跨代混卡（Ada + Blackwell）llama.cpp 原生支持，tensor split 走 PCIe，不需要 NVLink，放心上。
-
優化不上去了!!
本次測速（第十五次）項目 數值 平均速度 74.63 tok/s 平均 TTFT 0.48 秒 每輪速度 74.08 / 74.90 / 74.92 解讀- 跟上一輪（75.47）持平（-1.1%）。
- 連續四輪：75.52 → 74.95 → 75.47 → 74.63，全部鎖死在 74~75 tok/s，波動不到 1%。
-
没有测试这一套的长输入，比如16/32/64K输入下的prefill速度么？相比单卡5070ti有提升吗？
實測結果（2026-08-25 第二十七次）短基準：73.07 tok/s、TTFT 0.56s（落在歷史 72~77 正常區間，證明沒被污染）
大輸入測試：
輸入 實際 prompt_tokens TTFT 生成速度 16K 16405 14.54s 82.48 tok/s 32K 32789 15.43s 76.54 tok/s 64K 65557 33.29s 61.35 tok/s 最終整合結果（2026-08-25 第二十七次）短基準：75.74 tok/s、TTFT 0.63s（落在 72~77 正常區間，穩定健康）
大輸入測試（各 3 輪）：
輸入 prompt_tokens 平均 TTFT 平均生成速度 每輪 TTFT 16K 16405 14.84s 86.27 tok/s 15.93 / 14.39 / 14.19 32K 32789 29.08s 69.02 tok/s 28.85 / 29.23 / 29.16 64K 65557 62.39s 54.56 tok/s 62.20 / 62.64 / 62.34 解讀：
-
TTFT（首字延遲）近乎線性翻倍：16K 14.8s → 32K 29.1s（×1.96）→ 64K 62.4s（×2.14）。64K 要等約 1 分鐘才出首字，這是 prefill 的物理成本。
-
生成速度隨 context 變大而下降：16K 86.3 → 32K 69.0 → 64K 54.6 tok/s（KV cache 越大 attention 計算越重）。
-
單卡Qwen3.8-27B-UD-Q5_K_XL.gguf 裝不下!!
你这是真快啊。。。
- **是 llama.cpp 底層又默默變強了。雙卡玩家記得一定要對稱等分（1:1）、注意 PCIe 頻寬、且多模態上下文能開大就開大，才能跑得穩又跑得快！
-
-
@ydm llama.cpp你是用日更版，还是0.3.0正式版
@ydm llama.cpp你是用日更版，还是0.3.0正式版
使用日更版本的：llama-b10635-bin-win-cuda-13.3-x64
我沒有每日更新版本，因為有時後會變差，所以我用HERMES天天幫我看幫我分析，是否要更新測試：Hermes [機器人]19:32
【llama.cpp 有新 build】
舊版本：b10647 → 新版本：b10666（2026-08-28）
https://github.com/ggml-org/llama.cpp/releases/tag/b10666
中間 19 筆 commit 重點：- 模型：簡化 MiniMax-01 的計算圖 (#27790)
- 投機解碼：新增僅供 benchmark 使用的合成 speculative acceptance 選項 (#27711)
- UI：將「每對話 MCP 覆寫」改為「每對話 tool policy」(#27745)
- 轉檔：修復 Nemotron-H LoRA 的 GGUF 轉換問題 (#27356)
- UI：改善 Chat Form Actions 的 UI/UX（模型選擇器、新增面板）(#27746)
- llama：model_loader 新增 TENSOR_READ_LAZY（延遲讀取張量）(#27794)
- 開發工具：pr2wt 依 base 選擇 ssh/https remote 建立 worktree (#27800)
- 功能：Vulkan 後端新增 Deepseek V4 運算的 LIGHTNING_INDEXER 支援 (#27453)
- 量化：限制 quantize 工作記憶體上限，避免大張量被載入 RAM (#27795)
- OpenCL：新增 MoE 二進位運算 kernel（q4_0/q8_1、mxfp4/q8_1 dp4a bin）(#27768)
- 投機解碼：新增 DFlash2 支援（local convolution + candidate selector）(#27342) (#27816)
- CI：Windows ROCm 發行版隨附 HIP runtime DLL (#26973)
- 模型：新增 Qwen3.8-Flash-Next (qwen4exp) 支援 (#27742)
- CI：windows-rocm 發行版只編譯 ggml-hip 後端 (#27753)
- server：新增 ctx-per-slot 參數（--kv-unified-per-slot）(#24124)
- Hexagon：修復 RMS_NORM_MUL 在 grouped/broadcast norm 的 weight-offset bug (#27798)
- ggml-hexagon：HTP 新增 ABS 與 LOG 單元運算 (#27786)
- 模型：Nemotron3.5 新增 DSpark 支援 (#27804)
- 測試：test-save-load-state 擴充至所有架構 (#27755)
更新建議：
️ 不急更新- 相關：#27742 新增 Qwen3.8-Flash-Next 模型支援（Qwen 家族新功能，非現有 27B 的修復）；#24124 server 新增 --kv-unified-per-slot（多 slot 場景才用得上）
- 無關：Vulkan/OpenCL/Hexagon/ROCm、UI、CI、Nemotron/MiniMax/Deepseek 模型支援等
- 結論：本次沒有 CUDA 或 Qwen 27B 的 bug fix／效能提升，現有環境不受影響；若想試 Qwen3.8-Flash-Next 新模型再考慮更新。
-
@ydm 谢谢你的分享，我昨天也安装完成，但还没有调试，目前直接run后，输出，25token 左右，后续调试好后我也分享一下
-
，J johnnybegood 引用了 此主题
