双 R9700 跑 Qwen3.8-27B：vllm-radiance 部署与 128K/256K 全场景实测

看了论坛里的大神 paul hou 的分享，也发一个双9700的帖子。ai帮我总结的，大家可以 参考一下。我是小白。质量不好，大家见谅。

2026-09-12 · 双卡 Radeon AI PRO R9700 (gfx1201) · 单 TRX40 平台 · 实测数据

一、结论先行

• 双 R9700 TP2 + DFlash2 投机解码，单流文本 130–210 tok/s，128K 档 4 并发，KV 容量 59 万 token（约 4.5× 并发余量）
• 128K/C4 并发实测：推理场景 C4 聚合 249 t/s（C1 102 → 近 2.4× 扩展），重复 C4 154 / 散文 C4 81 t/s
• 256K 长上下文档：252K 满长度冷 prefill ≈2080 tok/s（121 秒），prefix cache 命中后 1.9 秒（快 63 倍）
• 三个标准场景（重复/推理/散文）全面打平或反超单卡 llama.cpp Vulkan (7900 XTX) 基线 97/62/39 tok/s
• 踩过的最大的坑：:latest 镜像静默回归，DFlash 接受率掉到 0.1% 且不报错，只能靠 pin 资格 build 的 digest 解决
• 模型自带视觉塔，图片/视频多模态输入直接可用

二、机器配置

项	规格
CPU	AMD Ryzen Threadripper 3960X 24 核 48 线程（TRX40 平台，单 CPU，1 个 NUMA 节点）
主板	ASRock TRX40
GPU（本部署）	2× AMD Radeon AI PRO R9700 32GB（Gigabyte + XFX，gfx1201）
GPU（其他，不冲突）	RTX PRO 5000 48GB（跑 CUDA ComfyUI/sglang）
系统	Ubuntu 26.04（宿主 不装 ROCm，驱动栈全在容器内）
Docker	29.7.2 + Compose v5.5.0

拓扑要点：两张 R9700 都挂在同一颗 CPU 的原生 PCIe lane（host bridge 00:03.1 / 00:03.2 兄弟关系），单 NUMA，没有跨 socket P2P 问题。启动自检输出 P2P access: ENABLED 0↔1 ✓，CPUGPU 约 28 GB/s（PCIe 4.0 x16）。

三、方案与组件

• 镜像：magiccodingman/vllm-radiance = vLLM v0.28 + ROCm 7.14 + libr4d（手写 RDNA4 kernel，专为 gfx1201 调优）
  • 必须 pin 资格 build：@sha256:8df90677c0f1fb013d958184aa0bf24af91e34688b61b924fa4facd7da333430（详见坑 1）
• 目标模型：amd/Qwen3.8-27B-Quark-AWQ-MXFP4（19.8GB，MXFP4 量化）
• 投机解码 drafter：tcclaviger/Qwen3.8-27B-DFlash2-FP8（2.1GB，FP8，K=7）
  • drafter 必须与目标模型配套（Quark-MXFP4 配 DFlash2-FP8；配错 NVFP4 版会接受率崩）
• 量化策略：MXFP4 权重 + W4A8 计算（低 M 值走 W8A8 子集）

四、启动参数

.env 关键项（128K/C4 生产档）：

IMAGE=magiccodingman/vllm-radiance@sha256:8df90677...   # pin 资格 build
MODELS=/home/liubo/models/vllm-models
MODEL_PATH=/models/Qwen3.8-27B-Quark-AWQ-MXFP4
SERVED_MODEL_NAME=qwen3.8-27b-vllm

# 容量档
MAX_MODEL_LEN=131072          # 128K 档；256K 档为 262144
MAX_NUM_SEQS=4                # 128K 档 4 并发；256K 档为 1
GPU_UTIL=0.90

# MXFP4 / W4A8
WEIGHT_QUANTIZATION=auto
RADIANCE_MXFP4=1
RADIANCE_MXFP4_W4A8=1
RADIANCE_MXFP4_W4A8_MIN_M=0
RADIANCE_MXFP4_DECODE_MAX_M=64
RADIANCE_MXFP4_TN4_MIN_M=2048
RADIANCE_MXFP4_WPERM=1        # WPERM + DECODE_NT 必须开（RX5-safe decode 子集）
RADIANCE_MXFP4_DECODE_NT=1

# DFlash2 投机解码
VLLM_USE_V2_MODEL_RUNNER=1
RADIANCE_COMPILATION_CONFIG='{"cudagraph_mode":"PIECEWISE"}'
RADIANCE_FAST_DRAFT=1
RADIANCE_SPECULATIVE_CONFIG='{"method":"dflash","model":"/models/Qwen3.8-27B-DFlash2-FP8","num_speculative_tokens":7,"draft_tensor_parallel_size":2,"attention_backend":"TRITON_ATTN","max_model_len":131072,"disable_padded_drafter_batch":true}'

端口 :8000，OpenAI 兼容 API。

五、部署过程

1. 拉镜像：docker pull magiccodingman/vllm-radiance@sha256:8df90677...（14.1GB，约 15 分钟）。注意 docker compose pull 对 digest 引用有 bug 会卡死，必须裸 docker pull 直拉。
2. 下模型：huggingface_hub snapshot_download 拉两个仓库到 ~/models/vllm-models/（aria2 不支持 HF 逐文件 -o，别用）。
3. 写配置：目录 /home/liubo/vllm-radiance/ 放 docker-compose.yml（官方 repo 拉取）+ .env。
4. 启动：docker compose up -d。冷启动约 3 分钟（引擎 init 169s，其中 Triton kernel 编译 120s；有编译缓存后 <1 分钟）。
5. 验收（黄金指标）：docker compose logs vllm | grep SpecDecoding
   • 正常：Avg Draft acceptance rate: 78-91%，per-position 0.93, 0.87, 0.81, 0.76, ...
   • 只看 health=200 / 出字正确是不够的——出字正确不代表投机解码生效（见坑 1）

日常运维：桌面快捷方式一键启停（128K / 256K 两档各一个 Start 图标 + 一个 Stop 图标，切档时 start 脚本自动停旧档起新档）。

六、测试结果

6.1 128K/C4 档（生产档）

指标	实测
单流文本 decode	130–210 tok/s（引擎 generation 均值 ~147 tok/s）
DFlash2 接受率	78.5% / 91.4%（per-position 0.93 → 0.76），平均接受长度 6–7
KV cache 容量	593,115 tokens ≈ 4.53× 并发余量（4 路并发长上下文不爆 KV）
官方容量矩阵参考	单流 weighted 183 t/s，prose 118 t/s；c4 总吞吐 462，c8 523

128K/C4 三场景 × C1–C4 并发压测（2026-09-13，pin 8df90677，K7 DFlash，enable_thinking: false 纯 content 计数；每场景 docker compose down + up 清 cache + 单次 warmup 填 prefix cache，测聚合 decode t/s = C 路总吞吐）：

场景	冷 prefill TTFT	C1	C2	C3	C4
重复（~113K 输入）	37.2s	102.3	129.3	131.3	154.3
推理（120 题）	1.8s	102.4	156.8	198.2	249.2
散文（1200 节）	33.4s	45.2	60.4	73.4	81.4

读法：

• 推理是并发甜点：C1→C4 聚合吞吐 102→249 t/s（近 2.4× 线性扩展），KV 余量 4.5× 吃得住 4 路长上下文
• 重复场景 4 路 154 t/s 单流均 73 t/s，长 prompt 吃 KV 后单流被摊薄
• 散文 输出短（模型提前停 ~235 tok）+ prefill 重，是全场最低档；C4 聚合 81 t/s
• C4 全场景 16/16 请求成功，无 KV 爆、无超时——4 并发生产档稳

6.2 256K/C1 档三场景压测（与 llama.cpp 基线同协议）

每场景 docker compose down + up 清 prefix cache，保证冷 prefill 可复现。

场景	冷 prefill TTFT	热 TTFT（prefix cache）	decode
重复（满 252K 输入）	121.0s（≈2080 tok/s）	1.92s（快 63×）	160.1 t/s
推理（120 题）	1.6s	0.51s	100.0 t/s
散文（1200 节概括）	33.1s	0.97s	46.3 t/s（231 tok 模型自认为答完提前停）

6.3 对照 llama.cpp 单卡基线（RX 7900 XTX，Vulkan，Q6_K）

场景	llama.cpp 单卡	vllm-radiance 双卡
重复	97 t/s	160 t/s
推理	62 t/s	100 t/s
散文	39 t/s	46 t/s

三场景全面 ≥ 基线。256K 满长上下文下 2080 tok/s 的 prefill 吞吐和 prefix cache 63× 加速是这套部署最大的收益点。

七、踩过的坑（按疼痛程度排序）

1. :latest 静默回归——最坑

README 里的 183 tok/s / 60% 接受率是 pin 8df90677（8/25 资格 build）测的。:latest（当时 digest 83a9dc02）DFlash2 集成回归，接受率掉到 0.1% 但不报任何错，只变慢到 ~24 tok/s，症状等同于双卡在裸跑自回归。
教训：拉镜像/升级前必须先跑 SpecDecoding 指标确认接受率 60%+；出字正确 ≠ 投机解码生效。

2. drafter 必须 target-matched

Quark-MXFP4 目标配 DFlash2-FP8；配错（比如拿 RadixArk-NVFP4 那套 drafter）接受率直接崩。

3. DFlash2 是实验档

greedy 等价门禁未通过（tool-call 测试 98/100）。生产若在意工具调用严格性，退回 Fast MTP（qualified，单流 ~102 tok/s）或纯 non-spec。

4. 宿主机看不到 GPU——显存为 0 的假象

宿主 Ubuntu 没装 ROCm，rocm-smi 输出空、显存恒为 0，不代表服务没跑。必须进容器看：docker compose exec vllm rocm-smi --showuse。本部署冷启动前 2 分钟（kernel 编译期）GPU 占用也是真低，重启窗口期看到 0 属正常。

5. 别在容器内单独升 PyTorch / Triton / vLLM

它们是编译器栈，版本错配会导致持续 TP hang。作者明确警告，镜像内置 ROCm 7.14 + vLLM 0.28 原样用。

6. 思考模型的压测陷阱

Qwen3.8 是思考模型：推理类 prompt 的输出全走 reasoning_content 通道，content 字段为空。压测客户端只认 content 会误判"生成失败"（引擎日志明明接受了几百个 token）。客户端必须两个通道都计数，或请求里传 chat_template_kwargs: {"enable_thinking": false}。

7. vLLM 流式 API 的两个必须项

• stream_options: {"include_usage": true} 否则拿不到 completion_tokens
• SSE 要逐行读（readline()），按块读会制造 decode 速度的假象（usage 块在流末尾，块缓冲会把窗口压扁）

8. prefix cache 污染

第二轮"冷 prefill"其实全命中缓存，数据作废。可靠清法 = 每场景 docker compose down + up（比 flush_cache API 彻底）。

9. docker compose pull 对 digest 引用会卡死

卡 12 分钟不动、网络 0 B/s。改用裸 docker pull repo@sha256:... 直拉。

10. 其他小坑速记

• 252K 输入要先用容器内 AutoTokenizer 校准：直接估会超 262144 上限被 HTTP 400 拒（266,820 > 262,144）
• 256K 档冷启动 kernel 编译 ~84s，health 要等 ~300s，别在窗口期 panic
• 远程 nohup 长任务：setsid nohup ... < /dev/null &（不重定向 stdin 会挂住 SSH）
• 绝对不要 pkill -f 匹配含脚本名的模式——会命中 SSH 命令行自身，杀掉自己的会话，且同批的 scp 可能静默失败（远端还是旧版脚本）
• 启动窗口关闭 = 停服务（trap 设计），所以切档/重启别用关窗，用 Stop 图标或 docker compose down

八、成本与代价

• 显存：双卡各占 ~30GB/32GB（KV 15.97 GiB/GPU @256K 档 + 权重 + drafter + CUDAGraph）
• 256K 档是单流档（MAX_NUM_SEQS=1），想要并发回 128K 档，两档桌面图标一键切换
• 冷启动 3–6 分钟（首次/清缓存后），日常热重启 <1 分钟（编译缓存已挂载持久化）

九、可复现清单

项	值
镜像 digest	sha256:8df90677c0f1fb013d958184aa0bf24af91e34688b61b924fa4facd7da333430
目标模型	amd/Qwen3.8-27B-Quark-AWQ-MXFP4
Drafter	tcclaviger/Qwen3.8-27B-DFlash2-FP8（K=7, TP2）
128K 档	MAX_MODEL_LEN=131072, MAX_NUM_SEQS=4, GPU_UTIL=0.90
256K 档	MAX_MODEL_LEN=262144, MAX_NUM_SEQS=1, GPU_UTIL=0.90
验收指标	SpecDecoding 接受率 78–91%；<30% = 投机解码失效