Mac生态跑文生图视频以有可能了吗？M5 Max 40GPU 64G

[fsclsnow]

接着测试 oMLX with Qwen3.8-35B-A3B-Distill-oQ8-fp16-mtp（38.6G）



A3B模型性能更好了，缺点是因为Q8占内存更高，上下文128K以上就压力太大了。

智力测试与27B（Q4）对比：

除了LIVECODEBENCH 低了不少，其余测试似乎和4Bit 27B不相上下

[Tony Wang]

A3B 干活不太行, 很容易陷入死循环的思考

[fsclsnow]

@eddie-hk 互相学习！互相学习！

[fsclsnow]

半实战测试，让Qwen3.8-27B 写了个射击小游戏；反复修一些小bug；调整关卡难度，物品掉落折腾了半天。期间大部分由hermes调配完成。不知道是不是DSH对非自家模型适配的调配机制问题。给了他几个请求发一起，他一通思考然后就爆上下文罢工了。期间还报错在自己workspace内的文件他自己无法修改，最后爆掉了。

还请DSH大神指导。

然后我让Hermes去查，就是可以修改的，没问题。是DSH打开文件，又开了个复件自己修改自己被拒。。。我也是没想明白DSH怎么把自己绕进去的。

然后就让Hermes持续开发完善了小半天。长上下文持续工作下，输出就降到了33 Tok/s。
今天让35B-A3B开发了第四关，很顺利的一把完成。没遇上什么问题。因为上下文压力也比较小，输出在62 Tok/s
也算模拟小规模实际开发时，2个模型大概的能力展示。27B稠密模型这个速度也还算是可以接受，就是心理预期知道，实际能力很难维持50 Tok/s左右的。

[fsclsnow]

最后展示下最终成品效果，图一乐。

ASTRO Strike.html.zip

[01 ltzc]

Mac M2 Max测试本地模型Qwen3.8-27B-4bit、Qwen3.8-27B-Uncensored-oQ4e-mtp模型在 oMLX（Mac M2 Max 环境） 下的横向深度对比：oMLX - LLM inference, optimized for your Mac

https://github.com/jundot/omlx

Benchmark Model: Qwen3.8-27B-4bit

Engine: Auto

Context: 代码（Python）

================================================================================

Single Request Results

---

Test TTFT(ms) TPOT(ms) pp TPS tg TPS E2E(s) Throughput Peak Mem

pp1024/tg128 9048.7 50.86 113.2 tok/s 19.8 tok/s 15.531 74.2 tok/s 15.85 GB

pp4096/tg128 34039.8 52.03 120.3 tok/s 19.4 tok/s 40.670 103.9 tok/s 17.10 GB

Continuous Batching

预处理1024 / 生成128

---

Batch tg TPS Speedup pp TPS pp TPS/req TTFT(ms) E2E(s)

1x 19.8 tok/s 1.00x 113.2 tok/s 113.2 tok/s 9048.7 15.531

2x 33.6 tok/s 1.70x 90.6 tok/s 45.3 tok/s 17273.3 30.233

4x 62.8 tok/s 3.17x 78.3 tok/s 19.6 tok/s 31000.7 60.467
oMLX - LLM inference, optimized for your Mac
https://github.com/jundot/omlx
Benchmark Model: Qwen3.8-27B-Uncensored-oQ4e-mtp
Engine: Auto
Context: 代码（Python）

Single Request Results

Test TTFT(ms) TPOT(ms) pp TPS tg TPS E2E(s) Throughput Peak Mem
pp1024/tg128 8955.1 50.04 114.3 tok/s 20.1 tok/s 15.330 75.1 tok/s 22.34 GB
pp4096/tg128 33851.1 57.56 121.0 tok/s 17.5 tok/s 41.180 102.6 tok/s 23.70 GB

Continuous Batching
预处理1024 / 生成128

Batch tg TPS Speedup pp TPS pp TPS/req TTFT(ms) E2E(s)
1x 20.1 tok/s 1.00x 114.3 tok/s 114.3 tok/s 8955.1 15.330
2x 28.8 tok/s 1.43x 91.5 tok/s 45.8 tok/s 16951.1 31.272
4x 47.3 tok/s 2.35x 81.3 tok/s 20.3 tok/s 30249.7 61.207
数据深度分析如下：一、 关键指标对比（oQ4e-mtp vs. 常规 4bit）指标常规 4bit 模型oQ4e-mtp 模型变化分析内存峰值 (Peak Mem)15.85 - 17.10 GB22.34 - 23.70 GB大增约 6.5 GB (+38%)，接近纯 6-bit 的开销单生成速度 (tg TPS)19.8 tok/s20.1 tok/s (pp1024)17.5 tok/s (pp4096)基础生成速度相当，但在长上下文下略有所衰减Prefill 吞吐量 (pp TPS)113.2 ~ 120.3 tok/s114.3 ~ 121.0 tok/s首字响应（TTFT）性能几乎完全一致Continuous Batching (4x)62.8 tok/s (3.17x)47.3 tok/s (2.35x)并发性能明显下降 (-25%)二、 性能与技术细节拆解为什么内存增加到了 22.34 - 23.70 GB？oQ4e 混合精度量化：它不是普通的均匀 4-bit 量化，而是通过 importance-matrix（重要性矩阵 calibration）对关键层/注意力层提高了精度（提升至 5-bit 或 fp16），因此实际权重体积接近 6-bit 量化。 MTP (Multi-Token Prediction / 投机/多Token预测模块)：附加了 MTP 预测头，这需要额外的显存空间用于加载加速权重和维持额外的 KV Cache。 为什么单生成速度没有大幅提升？MTP 本质是通过 Speculative Decoding（投机采样）以计算换速度。但在 M2 Max（显存带宽约 300-400 GB/s） 这种带宽受限设备上，当权重增长到 22GB+ 时，内存带宽瓶颈冲淡了 MTP 带来的并行收益。长上下文（pp4096）下生成速度降至 17.5 tok/s，也是因为更高的显存占用导致 Cache 访问开销变大。为什么多并发 (Continuous Batching) 性能下降严重？从 4x 批处理来看，常规 4bit 可以达到 62.8 tok/s，而本模型降到了 47.3 tok/s。这是由于 MTP 模块和更高权重的模型在多 Request 并发时抢占显存带宽与 GPU 计算单元更剧烈，造成 Batching 的并行加速效率下降。

[01 ltzc]

@fsclsnow 提示词发个

[fsclsnow]

@01-ltzc 很简单的提示词：
“制作一个有数个关卡的飞机射击游戏。画面精致好看，操作流畅，细节清楚”

[01 ltzc]

@fsclsnow 11111多谢啦

[Xiaote]

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！

奖励凭证：热议 +3 分 · 编号 h1816-412-1（系统自动发放，显示稍有延迟）