非常牛逼的部署方案和内存加载kv技术帮我解决了困扰许久的问题

[terry]

@huaye-XU 大段文字让AI整理成markdown格式，我帮你整理了，下次注意。
帖子质量很不错，可以找人测试下5060Ti，能跑就很有性价比了。

[snailium]

Qwen3.8:27b，24GB显存没准128K上下文能放得下，至少我的7900XTX就能放得下，甚至能开256K上下文

几个关键点：

1. 从ggml（llama.cpp官方）下载几个模型

• Qwen3.8-27B-Q4_K_M.gguf（官方的主模型不带MTP）
• mtp-Qwen3.8-27B-Q4_0.gguf（关键，有些模型内置MTP是Q8_0量化的）
• mmproj-Qwen3.8-27B-Q8_0.gguf（多模态视觉塔，需要视觉就加上它）

2. KV量化要调成q4_0，MTP量化也要调成q4_0

  -m /models/Qwen3.8-27B-Q4_K_M.gguf \
  --mmproj /models/mmproj-Qwen3.8-27B-Q8_0.gguf --image-min-tokens 1024 \
  --n-gpu-layers 999 \
  --ctx-size 131072 \

  --cache-type-k q4_0 --cache-type-v q4_0 \
  --flash-attn on \
  --spec-draft-model /models/mtp-Qwen3.8-27B-Q4_0.gguf \
  --spec-type draft-mtp --spec-draft-n-max 3 --spec-draft-p-min 0.1 \
  --spec-draft-type-k q4_0 --spec-draft-type-v q4_0 \

3. 上下文深度探测是有意义的，我手里的两张卡，在上下文超过128K之后，decode都会跌到不到20 tok/s，所以实测之后发现128K上下文基本上就是这个模型的甜点位置

4. 16GB和以下的显卡，主模型都放不下

[Tony Wang]

@snailium
KV量化放到4bit, 实际工作怎么样? 我一直没太敢把KV调低, 一直用的8bit量化, 怕它丢东西.

128k 基本上能完成大部分任务了, 但是我一般还是放到256k, 不是要真的用满256k, 而是减少其压缩的次数, 能节省些时间.

[terry]

@Tony-Wang FP8， INT8，往下都不行，测试了很多次了。

[snailium]

这方面应该以@terry 的经验为准。

我就是做几个小插件，7900XTX上面用全套q4 KV，B70上面用全套q8 KV，没觉得有太大区别。该搞不定的地方换卡也搞不定，都得请deepseek v4.1 flash出马

[huaye XU]

@terry 好的~谢谢老大。我下次注意。我看5060TI原作者整合包里又对应的配置。看有人给他回复，16G显存部署128K上下文可行。

[snailium]

补充一下，@tony-wang 是对的，dsh默认预留64k上下文窗口，也就是说后端开128k上下文，大概填到60k的时候就会触发上下文压缩（compaction）。所以一次性开到256k的做法是对的。

我看看能不能把上下文调优做到插件里面

[stxpnet]

这个ninfer确实牛,不过对双卡用户来说,不知道有没有成熟方案,另外如果这个KV -MEM可以将K V CACHE扩展到第二张卡上面就好了.

[fcme]

@snailium 可以让dsh自己把预留的量调到8或者16K，这样本地模型的宝贵的上下文空间就不那么浪费了。

[snailium]

@fcme dsh v0.1.7的问题不仅仅在于compaction，还有prune，只调headroom不完整，长链任务会被prune拖慢。我的自动调优快做好了

[fcme]

@snailium
牛X，到时候请赐教啊！

[snailium]

@fcme 另外，大神，我比较好奇，你怎么能在调了预留量之后，让已经进行的会话立即生效？

多轮代码检查之后发现，这些数值都是在会话开始的时候就投影（projection）在会话头信息里面的，然后就没法改了。这是dsh的安全规范操作。

目前我能找到最简单的方法，就是重写当前preset（比如标准模式），然后通过fork会话让新值生效

[fcme]

@snailium
那个不是对话的设置，是模型的自带参数。让AI给你同步过去就好了。

[snailium]

@fcme 有详细设置方式吗？

其实关键不在设置，而在于怎样应用到已有的会话。

望详解

[fcme]

@snailium
没有。这种问题直接找AI给你解决，思路就是这么个思路

[snailium]

@fcme 好吧，也就是说您并没有实际做过，所以不知道这里面的坑到底在哪。

我还以为能有比用插件更简单的解决办法，看样子是没有