• 作為 Hermes Agent 的主模型 Provider
• 文件閱讀、整理與分析
• 資料整理與產出
• 一般需要呼叫工具的 Agent 任務
• 長 Context 文件處理
  我沒有拿它大量寫程式，也沒有特別追求最高 TPS。因此，這篇主要是日常使用分享，並不是標準 Benchmark。

機器的近照(丟桌子底下)

兩張顯示卡都是以前的電腦退役後留下來的。(一張是純遊戲卡，另一張是我妹妹電腦換下來)

要新組一台專門跑 LLM 的機器，我個人會比較傾向選擇單張 VRAM 更大、架構更新的 GPU。
Strata 會把常用的 experts 快取到 VRAM，其餘部分由 RAM／CPU 處理。VRAM 越大，理論上就能讓更多 experts 留在 GPU，減少部分 CPU／PCIe 資料傳輸。
雖然 Strata 已經支援 Multi-GPU layer split，但 GPU 之間仍有階段交接的成本。所以，兩張卡加起來有 20GB VRAM，並不代表效能就會等同於一張 20GB 的卡。相關設計可以參考官方 Multi-GPU 文件。
使用的模型

目前使用的是：

Qwen3.8-Flash-Next-GSQ-RCO-IQ3_S
模型來源是 ISTA-DASLab / Qwen3.8-Flash-Next-GSQ-RCO-GGUF。
這是一個有 512 個 routed experts、每個 Token 啟用其中 10 個的 MoE 模型。
ISTA-DASLab 提供的 IQ3_S 版本平均約 3.50 bpw，完整下載約 83.6GB

主要設定如下：
Quantization: IQ3_S
Context: 131072
KV Cache: q4_0
KV Resident: 32768
Expert Cache: auto
Prefill: 1024
Speculation: 4
Spec min-p: 0.5
MTP: enabled
Vision: enabled
GPU: RTX 3070 + RTX 3060
VRAM reserve: 700 MiB

實際表現

截圖是在 Hermes Agent 已經進行了一段長 Context 對話之後拍的，當時的狀態大約是：
Context 使用量：約 57K / 128K
VRAM：約 18.1 / 20GB
GPU 0：約 7.4GB
GPU 1：約 10.7GB
RAM：約 10GB / 63GB
最近幾次請求，Decode 速度大約落在 18～24 tokens/s。
截圖當下則是：
Decode：16.9 tok/s
Prompt reading：約 126 tok/s
當時 Context 已经累積到五、六萬 Token，而且是接在 Hermes Agent 上實際處理任務。以這樣的使用情境來說，這個速度對我而言已經可以接受。
用起來的感受
如果問我能不能拿它當 Agent 的主模型，我目前的答案是：可以，至少我的工作內容用起來沒什麼大問題。
平常的任務大致是：
讀取文件 → 整理與分析 → 產生資料 → 呼叫工具 → 整理結果

這台洋垃，加上兩張從舊電腦留下來的 RTX 3070 和 RTX 3060，現在能繼續當 Hermes Agent 的 128K 本地模型 Provider，幫我處理日常文件和資料任務。　
能把原本閒置的硬體重新用起來，而且用得還挺順，對我來說就已經很值得了。　
順手給一下json 給大家參考 (配置文件皆由codex 生成，我本人沒有動手調整過。 )
strata-iq3_s-hermes-dual-gpu.json