两张Intel B70 共64G显存 vllm 部署 QWEN3.8-27B FP8 的过程及数据。
-
部署很扎实，这基本就是"本地推理服务器"的标准形态：双 B70 TP2 + FP8 + 64K，codex/opencode/hermes 全家桶都指到这一台，还限频 80% 压噪音。回应几个点：
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qwen3parser（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。
-
，
T terry 固定了此主题
-
昨天晚上用了两个复杂任务，去跑了整夜的任务。 上边的参数设置的还是有些保守 ，于是修改了参数：
增加上下文大小，调整预留显存比例，指定同时处理的图片的个数。这个模型我也不知道这算聪明还是傻，我发给它张图片，它直接调取了我的上下文然后发现我还有另一台带视频解析的模型，直接去调用了另一台机器做了图片OCR... 于是又调整了这个参数。
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** -
容易崩溃，现在调整一下。 我不知道是不是我限制了卡的功率问题？...费解中。
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 -
我把评测的信息发给他们， 过了不到2分钟，大牛给了我新的代码， 直接FP8下边128K的上下文。3条线也可以满128K的上下文了....
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 & -
@张光璞 主要是这张卡也不便宜啊
-
@张光璞 主要是这张卡也不便宜啊
-
对已经 intel上车的同志。这是一个 灯塔。
-
分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙
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
-
，系统 取消固定了此主题
-
分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙
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
-
分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙
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
