所以加快是有代價的，平衡點的做法是用Launch80/Qwen3.8-27B-PARO-MXFP4這個模型，Launch80他們自己量化的模型，多了什麼旋轉校正。

VLLM的鏡像最好是重抓新的，就兩個方案都留著，看心情使用了。

我今天就用Launch80/Qwen3.8-27B-PARO-MXFP4這個模型工作，看看有什麼差異。
目前在LOW檔，智力沒有很明顯的差別。
NVFP4 -> 100~110 T/S
PARO-MXFP4 -> 55~60 T/S

就算加上不思考還是極笨，以前用Q6_K_XL的不思考多少還是能用。
加上去後LOW和MEDIUM，讓DSH測思考的TOKEN數，差異極小，所以設哪個都好。
XHIGH也不會沒完沒了，比LOW再長個10倍左右。

大家的temperature設成多少？官方建議是1.0 思考模式，VLLM-RADIANCE的預設都是0.7 非思考。但不思考還真的不能用...

1）「显卡非直连」通常指第二张卡不走 CPU 直连 lanes，而是经 PCH 或拆分后的槽位；但只要两张卡能被同一进程枚举、能建 RCCL 通信组，vLLM TP=2 就能跑（没有 P2P 时退回 host-staged/SHM）。batch=1 的 decode 由权重带宽主导，PCIe gen4 x8 和 x16 差别很小，所以单并发下「非直连不影响」基本成立。

2）NVFP4 150 / MXFP4 120 / FP8 54 的量级方向合理：NVFP4 每权重约 4.5 bit，MXFP4 约 4.25 bit（但 scale 是 2 的幂、粒度更粗），FP8 约 8 bit 还要额外 scale。真要对比得固定同一 prompt、同一 KV dtype、同一上下文长度，别混变量。

3）质量上 NVFP4 的块级 scale 一般比 MXFP4 更贴 FP8，但长上下文、推理、代码任务仍要自己 A/B；体感「粗糙」很多时候是 kernel 或 KV 精度造成的，不全是权重。

4）确认 TP 是否真走 P2P：rocm-smi --showtopo 看链路，RCCL_DEBUG=INFO 看是否 host-staged，再跑 rccl-tests 的 bus bandwidth；pp 和 tg 分开测。