雙 Radeon AI PRO R9700 跑 Qwen3.8-Flash-Next 調校成果
硬體：
Radeon AI PRO R9700 32GB ×2
總 VRAM：64GB
System RAM：224GB
RDNA4 / gfx1201
模型：
Qwen3.8-Flash-Next IQ3_M
48 層 MoE
Context：128K
KV Cache：Q4_0
Windows + Vulkan
這次是在原本 Vulkan b10751 配置上繼續調整。
實測結果
測試 原配置 調整後
Coding 56.67 tok/s ----＞63.19 tok/s
Fibonacci 56.54 tok/s ---＞62.73 tok/s
繁中散文 56.27 tok/s ----＞61.21 tok/s
8K Context 44.85 tok/s----＞ 60.50 tok/s
32K Context 42.90 tok/s ----＞57.46 tok/s
64K Context 43.19 tok/s----＞ 54.50 tok/s
128K Context 45.90 tok/s ----＞50.80 tok/s
64K Context 的速度保持率由 80.0% → 87.4%。
48 層 MoE Expert 維持 Zero Spill。

這次速度上升的主要調整
GGML_VK_RM_KQ=1
原本 Vulkan kernel 使用 rm_kq=2。
改成：
GGML_VK_RM_KQ=1
這項調整的目的，是降低單個 Workgroup 的寄存器壓力，讓 RDNA4 Compute Unit 可以維持更多 active wavefront。
在這次測試紀錄中，這是短文本 Decode 提升幅度最大的單項調整，紀錄約 +15.28%。
改用 Graphics Queue
加入：
GGML_VK_ALLOW_GRAPHICS_QUEUE=1
原本 Vulkan 主要走 Compute Queue。
這次測試中，改用 Graphics Queue 後，Windows AMD Driver 下的 queue submission / synchronization 開銷降低，紀錄約再增加 1.15 tok/s。
Tensor Split 從 0.48,0.52 改成 0.47,0.53
原本：
--tensor-split 0.48,0.52
調整成：
--tensor-split 0.47,0.53
原因是兩張 GPU 的實際負載並不完全對稱。
主卡同時承擔 Windows 顯示相關負載，所以把稍多模型權重分給第二張卡，讓兩張 GPU 每層運算完成時間更接近。
這次測試紀錄約增加：
+0.76 tok/s。
CPU Threads：4 → 16
原本：
--threads 4
改成：
--threads 16
因為目前 PLE 是透過：
-ot "per_layer_token_embd.weight=CPU"
放在 System RAM。
所以 Decode 並不是完全只有 GPU 工作，CPU 仍要處理 PLE 對應的 Host memory 存取。
增加 CPU thread 數後，這部分延遲下降。
本次紀錄約增加：
+0.50 tok/s。
長 Context 的改善來自 QSA Pooled-Key Cache
短文本從約 56 → 63 tok/s，主要是前面幾項 Vulkan / scheduling 調整。
但是 8K～64K 的提升幅度更大，不只是 RM_KQ。
這次另外加入 QSA incremental pooled-key cache，避免長 Context decode 時重複計算部分 pooled-key 特徵。
所以長 Context 的改善比較明顯：
8K：44.85 → 60.50
32K：42.90 → 57.46
64K：43.19 → 54.50
128K：45.90 → 50.80 tok/s
同時維持：
-ncmoe 0
讓 48 層 MoE Expert 都留在 GPU。

目前主要配置
GGML_VK_RM_KQ=1
GGML_VK_ALLOW_GRAPHICS_QUEUE=1
--tensor-split 0.47,0.53
--threads 16
-ngl 999
-ncmoe 0
-ot "per_layer_token_embd.weight=CPU"
--ctx-size 131072
-fa on
-ctk q4_0
-ctv q4_0
所以這次不是換模型、降量化精度或使用 MTP 得到的提升。
主要差異是：
Vulkan kernel 調整
Queue 選擇
雙 GPU 負載重新分配
CPU PLE 路徑調整
長 Context cache 優化
最後的結果是：
短文本約 63 tok/s
64K 約 54.5 tok/s
128K 約 50.8 tok/s
48 層 MoE Zero Spill