倒是在我主机跑了Q4起来，不过大部分都offload到系统内存了，大概pp 320tps tg 13tps 还不太到能用的程度

docker run -d --name vllmb70 --ipc=host --shm-size=32g --dns 192.168.1.242 --device=/dev/dri:/dev/dri --privileged -p 1234:8000 \
  -e VLLM_WORKER_MULTIPROC_METHOD=spawn \
  -e ZE_FLAT_DEVICE_HIERARCHY=COMPOSITE \
  -e ZE_AFFINITY_MASK=0,1 \
  -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 \
  -e PYTORCH_ALLOC_CONF=expandable_segments:True \
  -e VLLM_XPU_ENABLE_XPU_GRAPH=1 \
  -e CCL_SYCL_ALLREDUCE_SIMPLE_THRESHOLD=4294967296 \
  -e CCL_SYCL_REDUCE_SCATTER_SIMPLE_THRESHOLD=4294967296 \
  -e CCL_SYCL_ALLGATHERV_SIMPLE_THRESHOLD=4294967296 \
  -e CCL_SYCL_ALLTOALL_TMP_BUF=1 \
  -e http_proxy= \
  -e https_proxy= \
  -e no_proxy= \
  --entrypoint /bin/bash intel/llm-scaler-vllm:0.21.0-b2 -c "
    python3 -m vllm.entrypoints.openai.api_server \
      --model Qwen/Qwen3.8-27B-FP8 \
      --tokenizer Qwen/Qwen3.8-27B-FP8 \
      --gpu-memory-utilization 0.97 \
      --max-model-len 262144 \
      --kv-cache-dtype auto \
      --enable-prefix-caching \
      --enable-auto-tool-choice \
      --tool-call-parser qwen3_coder \
      --default-chat-template-kwargs '{\"enable_thinking\": false}' \
      --trust-remote-code \
      --port 8000 \
      --tensor-parallel-size 2 \
      --pipeline-parallel-size 1 \
      --cudagraph-capture-sizes 1 2 4 \
      --dtype half \
  "

测试结果来自3.6-27b
单请求:

• pp16384: ~2400tps
• tg512: 33.3tps

共享上下文大概480k at FP16 KV Cache，fp8的kv cache能上1M
在我的agent swarm 真实使用 16并行峰值能到吐字300tps
···
(APIServer pid=1) INFO 08-03 09:00:52 [loggers.py:273] Engine 000: Avg prompt throughput: 31.9 tokens/s, Avg generation throughput: 294.1 tokens/S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 50.6%, Prefix cache hit rate: 88.0%
(APIServer pid=1) INFO 08-03 09:01:02 loggers py:273] Engine 000: Avg prompt throughput: 60.7 tokens/s, Avg generation throughput: 280.0 tokens /S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 52.0%, Prefix cache hit rate: 88.0%
···

XPU Graph 有时不太稳定但大致上能接受，但是不能接受intel摆烂的态度 https://github.com/intel/llm-scaler/issues/641

@Fei-Yan 说:

所以说这个双卡究竟带来了什么提高？是推理速度还是上下文大小？能在windows docker desktop跑吗？

跑起来了！

@sirwang 说:

@张光璞 想多了。

哈哈。蓝厂依旧扶不起，CPU再也不见i3 默秒全

技术好，果然可以为所欲为.....

export VLLM_ALLOW_LONG_MAX_MODEL_LEN=1
export VLLM_WORKER_MULTIPROC_METHOD=spawn
export VLLM_OFFLOAD_WEIGHTS_BEFORE_QUANT=1

vllm serve \
    --port 8000 \
    --host 0.0.0.0 \
    --gpu-memory-utilization 0.90 \
    --max-num-batched-tokens 8192 \
    --max-model-len 131072 \
    --block-size 64 \
    --dtype float16 \
    --api-key "ww@lw" \
    --model models/LLM/Qwen3.8-27B-Uncensored-FP8/ \
    --served-model-name Qwen3.8-27B-FP8 \
    --tensor-parallel-size 2 \
    --quantization fp8 \
    --enforce-eager \
    --trust-remote-code \
    --enable-prefix-caching \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder \
    --reasoning-parser qwen3 \
    --limit-mm-per-prompt image=4,video=1 \
    > vllm-qwen3.8-27b.log 2>&1 &

ZE_AFFINITY_MASK="1,2" vllm serve \
    --port 8989 \
    --host 0.0.0.0 \
    --gpu-memory-utilization 0.95 \
    --max-num-batched-tokens 8192 \
    --max-model-len 81920 \
    --block-size 64 \
    --dtype float16 \
    --model models/LLM/Qwen3.8-27B-Uncensored-FP8 \
    --served-model-name Qwen3.8-27B-FP8 \
    --tensor-parallel-size 2 \
    --quantization fp8 \
    --enforce-eager \
    --trust-remote-code \
    --enable-prefix-caching \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder \
    --reasoning-parser qwen3 \
    --limit-mm-per-prompt image=4,video=1

这个二货模型整的我哭笑不得~~~

ZE_AFFINITY_MASK="1,2" vllm serve \
    --port 8989 \
    --host 0.0.0.0 \
    --gpu-memory-utilization **0.95** \
    --max-num-batched-tokens 8192 \
    --max-model-len **98304** \
    --block-size 64 \
    --dtype float16 \
    --model models/LLM/Qwen3.8-27B-Uncensored-FP8 \
    --served-model-name Qwen3.8-27B-FP8 \
    --tensor-parallel-size 2 \
    --quantization fp8 \
    --enforce-eager \
    --trust-remote-code \
    --enable-prefix-caching \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder \
    --reasoning-parser qwen3 \
    **--limit-mm-per-prompt image=4,video=1**

1. 桌面陪伴能不能本地跑？能，而且你现成的基础设施直接能用。
这类应用本质 = 前端壳 + OpenAI 兼容后端。你现在 vLLM 起的 8989 端口就是标准 OpenAI 兼容 API，前端填 http://<服务器IP>:8989/v1 就行。生态最大的开源前端是 SillyTavern（角色卡、世界观、长期记忆插件都齐），27B FP8 跑陪伴/角色扮演场景绰绰有余，64K 上下文对人物卡 + lorebook 很宽裕；内存够的话再挂个 embedding 做长期记忆。唯一要留意的：这台服务器同时被 3 台机器 + 多个 agent 打，--max-num-batched-tokens 8192 高峰期会排队，但陪伴场景单用户低并发，基本不受影响。

2. Win 下 Docker Desktop + 科学上网下载更稳，不是错觉。
Docker Desktop 在 Windows 走的是它自己的网络栈，代理在 GUI 里一填就全局生效；Ubuntu 下 docker pull 走的是 daemon 的代理配置（/etc/systemd/system/docker.service.d/ 下的 http-proxy.conf，或 ~/.docker/config.json），很多人没配对，pull 就超时。你感觉"win 稳"大概率是代理配置到位与否的差别，不是系统差异。

3. 两个小建议

• --tool-call-parser qwen3_coder 是为 Qwen3 Coder 系列设计的，你跑的是非 coder 的 Uncensored 版；如果 agent 调工具偶尔抽风，可以对比试 qwen3 parser（原生 Qwen3 系列格式），哪个稳用哪个；
• "比 ds4flash 慢"正常：FP8 27B 的稠密激活和 DeepSeek MoE 不是一个量级，本地图的是离线 + 隐私 + 免费，速度别跟云端旗舰比。真到创造型/深推理需求，你说的对，直接 DSV4 按量付费更划算。