X99 不能P2P让我很难受 。 买Pcie switch（260925DELL T7910 已判：死缓,原因：拿不到大Bar ）
-
两张卡全功率跑了5.5小时，非常稳定。目前decode速度还是比较慢，还在调试。
-
@hippo 先给结论：PCIe switch 提升的是「GPU
GPU 的通信路径」，decode 的收益通常更明显，prefill 相对小；它不会增加与 CPU 之间的上行带宽。- decode：TP 下每生成一个 token 都要做 all-reduce，消息小、次数密、对延迟敏感。X99 跨 Root Port 没有 P2P 时，RCCL 退回 SHM（经主机内存中转），实测一档只有约 6.9 GB/s；换成走交换机的直接 P2P 能到约 10.3 GB/s、双向聚合约 19.7 GB/s（就是楼上 PhoenixRise2026 那组数）。decode 的 t/s 提升最直观。
- prefill：本身是计算密集的大 matmul，通信占比小，单看 GEMM 不会因为换 switch 变快；受益的是长上下文/大 batch 下激活与 KV 的搬运，属于「少等一点」而不是「算得快一点」。
- 单卡自身算力不受影响。switch 也不会把 X99 的 Gen3 x16 上行变宽——两张卡对主机的流量仍共享那条 x16（约 15.75 GB/s）。它买到的是卡间直连不经主机、延迟更低，以及绕开很多 X99 上 P2P 根本不通的问题。
两个前提别漏：
- 交换机能上 P2P，上层 RCCL/NCCL 不一定自动用它——跨 Root Port 时常把拓扑识别成 PATH_PHB 又退回 SHM，需要对应 patch/环境变量；换完先用 rccl-tests + NCCL_DEBUG=INFO 确认走的是 P2P 还是 SHM。
- 先确认收益场景：单请求、单卡跑，switch 基本白花钱；收益只在多卡 TP/PP、且通信卡在主机中转时才兑现。
一句话：switch 治的是通信，不是算力；decode 感知最强，prefill 只在大规模/长上下文时顺带受益。
-
我比较想问，买新的主板不会比买pcie switch 更划算吗？
-
两点分开答。
@hippo 的 ReBAR：ReBAR（Resizable BAR）和 P2P 不是同一件事，但它确实是 P2P 的前置条件之一——GPU 到 GPU 直连，要求对端的显存整段 BAR 能映射进来。X99 上经常缺的其实是 BIOS 的 Above 4G Decoding（以及随之而来的大 BAR），所以先确认板子有没有这个选项；没有的话 P2P 根本没有地址可映射，买 switch 也白搭。反过来，有大 BAR 也不等于 switch 一定有用，还要看这个 bridge 本身支不支持 peer-to-peer forwarding——LRLink 那类 PLX/Broadcom 方案（也就是你引的 Level1Techs 帖）说的正是「root port 的 ACS 挡住 P2P 时，它给了两张卡一个共同的下游桥」。所以顺序是：先过大 BAR/Above 4G，再确认 bridge 支持 P2P，两个都满足才值得买。
@applejuice 问「换主板是不是更划算」：换消费级主板大概率解决不了 P2P——桌面芯片组的 root port 默认开着 ACS，P2P 照样被挡；要原生 P2P 得往 EPYC/Threadripper 这种能配 ACS 的平台走，CPU+板+内存的价钱是 switch 的几倍到十几倍。所以：
- 目的只是让两张 R9700 的 all-reduce 走 P2P、不绕 CPU：switch/bridge 是最便宜的对症方案，前提是上面两点成立。
- 想要更大上行带宽 + 更多内存通道：换平台，但别把它当成「顺便修 P2P」的理由。
- switch 不增加上行带宽：X99 到 CPU 还是 x16 Gen3（约 15.75 GB/s）封顶，它省的是每 token 那次 CPU 往返，不会把 decode 拉一个数量级。
另外「几百块」要当心：正经支持 peer forwarding 的 switch 卡一般不止几百人民币，几百块的多半是普通 fan-out switch，买前问清支不支持 P2P。
-
我之前也以为 X99 基本没法搞 P2P，甚至已经在看 TRX40 / WRX80 和 PCIe Switch 板子了。
不过最近在 E5-2697A v4 + X99 + 双 R9700 上实际折腾下来，已经把跨 Root Port 的 Direct P2P 跑通了。
这件事不是改一个开关就行，我这边大概做了下面几层。
1. 先确认硬件拓扑没问题
两张 R9700 都是 CPU 直出的 PCIe 3.0 x16，但挂在不同的 Broadwell Root Port 下。
基础设置：
- Above 4G Decoding 开
- ReBAR 开
- CSM 关
- 两张卡确认都是 8GT/s x16
- 检查 BAR / IOMMU / PCIe topology
另外把整条 PCIe Path 的 MPS 都查了一遍。
X99/Broadwell Root Port 最大只支持 256B MPS，所以最终就保持256B，没有去强行改512/1024。
2. 先解决 AMDGPU / HSA 层面的跨 Root Port P2P
Broadwell-EP 这里有个比较麻烦的问题：
跨 Root Port P2PDMA + 44-bit DMA address / 大 BAR 映射 默认并不顺畅。
我这边最后使用了定制的：
6.8.12-r9700-p2p-dma44内核，把 X99/Broadwell 这层 P2P DMA 映射问题处理掉。
之后先不碰 SGLang，直接做底层测试。
HIP IPC 也单独验证过，使用：
HSA_ENABLE_IPC_MODE_LEGACY=0两张卡之间的 IPC 可以正常建立。
然后用 TransferBench / hipMemcpyPeerAsync 验证真正的 GPU→GPU 数据通路。
实测：
- GFX Push / Posted Write：约 10.29 GB/s
- SDMA / hipMemcpyPeerAsync：约 10.26～10.29 GB/s
- 双向同时传输 aggregate：约 19.7 GB/s
也就是说 PCIe 3.0 x16 的跨 Root Port P2P 实际已经跑到了比较正常的水平。
这里很重要的一点是：
先证明 GPU P2P 本身能工作，再折腾 RCCL。
3. RCCL 是第二个坑
底层 P2P 通了以后，Stock RCCL 还是不会自动使用它。
原因是两张卡跨 CPU Root Port，RCCL 把拓扑识别为：
PATH_PHBStock RCCL 会退回：
via SHM/direct/direct也就是说底层明明能 P2P，但 RCCL 还是绕系统内存。
当时实测：
- Stock RCCL SendRecv 1G：约 6.9 GB/s
- AllReduce BusBW：约 4.5 GB/s
所以还需要处理 RCCL。
4. 给 RCCL 做了一个很小的 patch
我现在用的是 patched RCCL 2.27.7。
修改其实很小，在：
src/graph/paths.cc里只有大约 6行顺序调整。
核心问题是 RCCL 对 Intel 平台设置默认 P2P level 的顺序，会把用户指定的 PHB override 覆盖掉。
修改后，让：
NCCL_P2P_LEVEL=PHB成为最终生效值。
这里要注意：
只设置环境变量没用。
我实际验证过：
- Stock RCCL +
NCCL_P2P_LEVEL=PHB→ 还是 SHM - Patched RCCL，不设置 PHB → 还是 SHM
- Patched RCCL +
NCCL_P2P_LEVEL=PHB→ Direct P2P
两者必须同时有。
我没有使用：
HSA_FORCE_FINE_GRAIN_PCIE=1
5. RCCL Direct P2P 打通后的结果
还是同一套 rccl-tests：
- SendRecv 1G：约 9.75 GB/s
- AllReduce BusBW：约 9.51 GB/s
- AllGather BusBW：约 9.16 GB/s
- ReduceScatter BusBW：约 8.92 GB/s
SendRecv 已经达到 TransferBench P2P Push 的约95%。
这时候基本可以确认：
RCCL 已经不是 SHM，而是真正走 GPU Direct P2P。
6. 最后再接 SGLang TP2
SGLang 启动后继续检查日志，不只是看“服务能跑”。
现在能够看到类似：
isAllDirectP2p 1以及：
via P2P/IPC确认 TP2 通信真正走 Direct P2P。
目前跑 Qwen3.8-27B AWQ，已经从1K一直测到251.5K context：
- 251.5K Prefill：约 712 tok/s
- 251.5K Native Decode：约 10.08 tok/s
- 251.5K input + 512 output：0 OOM
连续高负载测试也没有看到 PCIe AER、GPU reset 或 P2P掉线。
所以我现在对 X99 的看法和最开始完全不一样。
X99/Broadwell 不是硬件上完全不能 P2P，而是默认的软件路径很难直接用。
我这边实际上处理了两层：
第一层：
X99/Broadwell + AMDGPU/HSA 的跨 Root Port P2P DMA。第二层：
让 RCCL 接受PATH_PHB下的 Direct P2P，而不是自动退回 SHM。两层都打通以后，PCIe 3.0 x16 本身反而没有想象中那么差。
所以如果你的X99也是两张卡 CPU直连 x16+x16，我建议先把现有平台的 P2P 路径查清楚，不一定需要马上买 PCIe Switch。
Switch可以改善拓扑，但如果真正的问题是 AMDGPU / RCCL 软件策略，单纯加Switch未必就能解决。
后面我准备把 X99 双 R9700 从内核、TransferBench、RCCL到SGLang TP2的完整过程整理一下，应该比单独贴一个“跑通了”的结果更有参考价值。
@PhoenixRise2026 怎么不上PCIE 4.0呢？服务器或者AMD的工作站主板，有没有能让两个PCIE 4.0显示跑满X16的？
@xiaote 你也用 gpt 6 astra查一下，对于 咱们PCIE4.0显卡的用户，想组双卡或者多卡，有哪些硬件和软件要求？
-
补一条，我的主板是X99-TF GAMING V6.0
-
我比较想问，买新的主板不会比买pcie switch 更划算吗？
-
-
