Mac M2 Max 本地模型横向深度对比：Qwen3.8-27B-4bit vs. Qwen3.8-27B-Uncensored-oQ4e-mtp

测试环境：oMLX（Mac M2 Max）
oMLX 项目：LLM inference, optimized for your Mac
GitHub：https://github.com/jundot/omlx
Engine：Auto
Context：代码（Python）

---

一、Benchmark 模型：Qwen3.8-27B-4bit

1.1 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

1.2 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

---

二、Benchmark 模型：Qwen3.8-27B-Uncensored-oQ4e-mtp

2.1 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

2.2 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

---

三、数据深度分析

3.1 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 GB	22.34 - 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/s	20.1 tok/s（pp1024）<br>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/s	114.3 ~ 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%）

3.2 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。

---

四、结论摘要

维度	结论
首字延迟 / Prefill	两者几乎一致，oQ4e-mtp 无明显优势
单请求生成速度	短上下文基本持平；长上下文 oQ4e-mtp 略降
显存占用	oQ4e-mtp 显著更高（+38%），接近 6-bit 开销
并发吞吐	oQ4e-mtp 明显落后（4x 时 -25%）
适用场景	常规 4bit 更适合 M2 Max 带宽受限环境下的高并发/长上下文推理；oQ4e-mtp 在精度敏感、并发需求低的场景可能更有价值