7900XTX双卡TP，SGLang & VLLM 多Agent多并发测试对比（续三）- 最终测试对比报告（基于自己的工作流）
-
@Ben-Lee 你这个方案是我sglang 本地的高速方案，我分享一下我本地的另一套vllm 的方案，不能用MTP ,Dflash2 加速，但是可以用 int8 KV， 真正的8并发，总吞吐 240
左右：- GitHub 仓库：https://github.com/JartX/vllm
- 分支：perf/rdna3_full_stack
- 实测 Commit ID：c5647a6d4695279456d830d6c2f52edd4c54524a
- 核心修复项：
- QuickReduce 跨卡 PCIe 描述符修复（0x31014000）：彻底消除 RDNA3 双卡通信读 0 乱码与静默死锁；
- Qwen GDN MTP：修复预热阶段 index_copy_ 的 dtype 异常。
二、 部署配置与显存 / KV Cache 切片
-
生产甜点位启动命令
bash
docker run -d
--name vllm-prod
--ipc=host
--network=host
--shm-size=32g
--device=/dev/kfd
--device=/dev/dri
--group-add video
-e HSA_OVERRIDE_GFX_VERSION=11.0.0
-e ROCR_VISIBLE_DEVICES=0,1
-e PYTHONPATH="/opt/rocm-7.2.4/share/amd_smi"
-v /home/kuma/models:/models:ro
jartx-vllm:latest
vllm serve /models/Qwen3.8-27B-W4A16-AutoRound
--host 0.0.0.0
--port 8080
--tensor-parallel-size 2
--kv-cache-dtype int8_per_token_head
--max-model-len 131072
--max-num-seqs 8
--max-num-batched-tokens 8192
--attention-backend TRITON_ATTN
--enable-prefix-caching
--enable-chunked-prefill
--gpu-memory-utilization 0.95
--trust-remote-code -
显存分配切片（2×24GB 运行时抓取）
- 单卡物理显存：23.98 GiB
- 静态权重 + 基础开销：9.70 GiB
- Peak Activation（峰值激活）：2.41 GiB
- CUDAGraph 内存：0.67 GiB
- 动态 KV Cache 可用显存：10.68 GiB / 卡
- 物理 KV Cache 总容量：638,075 tokens（约 63.8 万 tokens）
- 单请求上下文上限 (max-model-len)：131,072 tokens (131K)
- 物理并发承载力：
- 131K 极限上下文：支持 4.87 倍并发（4 路 120K 超长文本吃满不排队）
- 32K Agent 常见上下文：支持 19.9 倍并发
- 8K 短对话：支持 79.7 倍并发
三、 全梯队压测实测数据（纯并发模式，流式解耦）
测试场景 / 上下文深度: 短文本 (1K~4K)
并发路数: 1 路
首字延迟 (TTFT): 0.40 s
单路纯解码速率: 56.16 tok/s
稳态聚合吞吐 (实测): 56.16 tok/s
表现分析: 超过作者 49.2 t/s 基准 +15.5%
────────────────────────────────────────
测试场景 / 上下文深度: 短文本 (1K~4K)
并发路数: 2 路
首字延迟 (TTFT): 0.54 s
单路纯解码速率: 47.22 tok/s
稳态聚合吞吐 (实测): 94.44 tok/s
表现分析: 近似线性扩展
────────────────────────────────────────
测试场景 / 上下文深度: 短文本 (1K~4K)
并发路数: 4 路
首字延迟 (TTFT): 1.00 s
单路纯解码速率: 43.10 tok/s
稳态聚合吞吐 (实测): 172.39 tok/s
表现分析: 高吞吐甜点位
────────────────────────────────────────
测试场景 / 上下文深度: 短文本 (1K~4K)
并发路数: 8 路
首字延迟 (TTFT): 2.11 s
单路纯解码速率: 30.94 tok/s
稳态聚合吞吐 (实测): 247.53 tok/s
表现分析: 触及双卡 512GB/s 显存带宽物理极限
────────────────────────────────────────
测试场景 / 上下文深度: 中长文本 (30K)
并发路数: 1 路
首字延迟 (TTFT): 11.03 s
单路纯解码速率: 51.47 tok/s
稳态聚合吞吐 (实测): 51.47 tok/s
表现分析: 30K 深度下解码几乎不衰减
────────────────────────────────────────
测试场景 / 上下文深度: 中长文本 (60K)
并发路数: 4 路
首字延迟 (TTFT): 15.60 s
单路纯解码速率: 33.64 tok/s
稳态聚合吞吐 (实测): 134.55 tok/s
表现分析: 稳态多路并发
────────────────────────────────────────
测试场景 / 上下文深度: 超长文本 (120K)
并发路数: 1 路
首字延迟 (TTFT): 34.24 s
单路纯解码速率: 40.72 tok/s
稳态聚合吞吐 (实测): 40.72 tok/s
表现分析: 单流超长无 OOM，解码保持 40+ tok/s
────────────────────────────────────────
测试场景 / 上下文深度: 超长文本 (120K)
并发路数: 4 路
首字延迟 (TTFT): 1.54 s*
单路纯解码速率: 25.90 tok/s
稳态聚合吞吐 (实测): 103.60 tok/s
表现分析: 前缀共享缓存命中率 71.8%，吞吐破百 -
，
T terry 分叉了 此主题
-
@farmer-node 这个数据挺优秀的，可以单独开帖子看看。
-
@Ben-Lee
好帖， 赞一个！ 有自己的分析， 有人类的情感在里面~ 比AI纯生成的好多了~
想问如果是 qwen3.8 FLash Next 这种需要卸载到内存的， 能不能也测测。 -
@johnnybegood AM5 96G DDR5 因为是消费级平台降频到3600才跑得起来（反正瓶颈不在这 在pcie4*8的带宽
-
-
@johnnybegood 我最近琢磨这个Qwen3.8 FLash Next 有点进展，目前在我的机器上双 RX 7900 XTX + Ryzen 5 9600X + 64G DDR5 RAM稳定跑到了30+tok/s，但是推理速度线性下降，到128K上下文就腰斩了。MTP是负优化，Prefill才200-300，而且是IQ3。我再打磨打磨，希望能出一个单独的拿得出手的帖子。
-
-
-
@johnnybegood 我最近琢磨这个Qwen3.8 FLash Next 有点进展，目前在我的机器上双 RX 7900 XTX + Ryzen 5 9600X + 64G DDR5 RAM稳定跑到了30+tok/s，但是推理速度线性下降，到128K上下文就腰斩了。MTP是负优化，Prefill才200-300，而且是IQ3。我再打磨打磨，希望能出一个单独的拿得出手的帖子。
-
-
，
B Ben Lee 引用了 此主题
版主审定：本帖设为精华，作者 +5 积分奖励，希望再接再厉！
本帖参与讨论人数已达 10+，入选热议，作者 +3 积分奖励，感谢分享！