Nvidia 雙卡 RTX5070 Ti 16G - Decode 最高 140 tok/s on Strata v0.1.31 - Swift-Qwen3.8-Flash-Next
-
我剛剛得到一組雙卡的數字 優化的 MTP7, Prompt 13k :
- 最佳整體 screening candidate：spec 7
- 最低 TTFT：5.0524 s
- 最快 Prefill：3,264.2 tok/s
- 最高 Decode/TG：139.3 tok/s
我再次測看看
- 最佳整體 screening candidate：spec 7
-
-
3000 prefill 3090 可以做到吗？ @johnnybegood 搞一搞
@applejuice 我在用双卡测试， 不过好像卡了一个 双卡 bug, #267 ， 我可能得给Strata提一个 Issue
-
-
以後有需要再安裝，小秘書能滿足目前的需求就夠了
因為大概2~3個月內"可能"又要換模型和引擎了
我們的 RTX 5070 Ti 能用 棒棒的！Strata + QFN 對顯卡非常友善 很耐操 溫度都在55度以下，
兩張卡各別消耗130W而已，因為CPU有幫忙分擔workload，
也可以兩張單卡使用兩個QFN port 8080, 8081 各開一個，都夠用了 -
-
@kos-or
看了你的帖子以后，我也把我的5070Ti试了一下，PP2000左右/TG60-65（比R9700还好），我的机器是7820配双志强6252，12x8G DDR4 ecc，拉满了12通道，5070ti走Pcie3x16。
你的应该是pcie4.0的吧，tg感觉比我的还快点。 -
-
-
@kos-or
是正常使用，混合了中文和代码。你的是pcie4.0x16,而且是线程撕裂者，它貌似是支持avx512的指令集，所以快其实应该是CPU那边比较快，也是有加成的吧！
我这个戴尔7820服务器，ddr4内存12×8=96GB，但是pcie只是3.0×16。就这配置能开到上下文256k还能有2000/60左右的速度其实是性价比挺高的了。我这个戴尔7820服务器，ddr4内存12×8=96GB，但是pcie只是3.0×16。就这配置能开到上下文256k还能有2000/60左右的速度其实是性价比挺高的了。
我這帖子是雙卡 split-layer 數據，單卡我記得是60~95之間
雙卡 PCIe 資料量傳輸平均大約10 GB/s，最高峰值約29 GB/s，PCIe 3.0 x 16 (16 GB/s) 大部分的情況下應該是夠的，可以觀察看看 ;
除非CPU是個限制，但你看我的线程撕裂者3945WX 使用狀況 負載大約60%
你的記憶體是 DDR4 頻率多少的？
我的是 DDR4-2400 ECC x 8 => 八通道 理論值 153 GB/s 記憶體頻寬 -
@kos-or
看了你的帖子以后，我也把我的5070Ti试了一下，PP2000左右/TG60-65（比R9700还好），我的机器是7820配双志强6252，12x8G DDR4 ecc，拉满了12通道，5070ti走Pcie3x16。
你的应该是pcie4.0的吧，tg感觉比我的还快点。 -
以後有需要再安裝，小秘書能滿足目前的需求就夠了
因為大概2~3個月內"可能"又要換模型和引擎了
我們的 RTX 5070 Ti 能用 棒棒的！Strata + QFN 對顯卡非常友善 很耐操 溫度都在55度以下，
兩張卡各別消耗130W而已，因為CPU有幫忙分擔workload，
也可以兩張單卡使用兩個QFN port 8080, 8081 各開一個，都夠用了我來交一下作業，優化後 還是可以用一下，只是比LLAMA.CPP慢一些
因該是我的HERMES+CHAT的限制關係，如果瀏覽器直出，就沒有這個問題
【實測】雙 5070 Ti 16G × Strata v0.1.42 跑 Qwen3.8-Flash-Next IQ3_S：四情境解碼實錄（對齊 #2033 測法）
適配硬體： 雙 NVIDIA RTX 5070 Ti 16GB（32GB VRAM）＋ Windows 10 實體機 ＋ VirtualBox Ubuntu VM（跑 Hermes Agent）
一、背景
主力推理層一直是 llama.cpp，2026-10-12 換成 Strata 試跑一天，順便照 #2033 kos-or 的四情境測法量了解碼速度。先講結論：一天下來工具呼叫、多模態、繁中輸出全部正常，沒有翻車，速度數據如下。
二、我的測試條件與硬體
項目 內容 模型 Qwen3.8-Flash-Next GGUF（IQ3_S 量化，Strata 編譯器版） 推理引擎 Strata v0.1.42 Context 196,608 tokens（192K） KV cache INT8 streamed；每層 32,768 positions 在 VRAM，其餘於 RAM 投機解碼 MTP drafts ≤3 ＋ prompt lookup MoE 配置 Experts in VRAM：7,661 個（14.5 GB） 多模態 Images on GPU 雙 RTX 5070 Ti 16GB，張量對稱切分，PCIe 3.0 x8+x8 CPU / RAM i9-9900K @3.6GHz（16 執行緒）／128GB DDR4-3200 雙通道 OS Windows 10 Pro 22H2 跑推理層；Agent 在 VirtualBox Ubuntu VM，經 8080 跨層呼叫，零雲端 API 三、測試方式（對齊 #2033）
- 四情境各生成 1,200 tokens，串流計數，解碼速度 ＝（總時間 − TTFT）換算 tok/s
- 情境：解題（數學證明多解法）／Coding（LRU Cache 完整實作）／英文寫作／中文寫作（各 1500 字技術文章）
- temperature 0.5、Strata 預設思考、每情境間隔 3 秒冷卻
四、結果與對照（同為雙 5070 Ti 16G）
情境 kos-or #2033（IQ3_XXS／v0.1.31／256K） 我（IQ3_S／v0.1.42／192K） 解題 127 tok/s 106.4 tok/s Coding 110~140 tok/s 108.6 tok/s 英文寫作 100 tok/s 91.1 tok/s 中文寫作 85 tok/s 106.9 tok/s 五、變因差異
變因 kos-or #2033 我 量化 IQ3_XXS IQ3_S（權重較大，頻寬需求較高） MTP 文內未標註 drafts ≤3 ＋ prompt lookup CPU/記憶體 Threadripper Pro 3945WX＋八通道 DDR4（153GB/s） i9-9900K＋雙通道 DDR4-3200 PCIe 雙 PCIe 4.0 x16（32GB/s） PCIe 3.0 x8+x8（8GB/s） Context 256K 192K KV cache INT8 INT8（相同） 六、心得
- 中文寫作逆勝 26%：他 85、我 106.9。Flash-Next 系列中文輸出速度跟平台關係很大，老平台在中文情境不吃虧。
- MoE experts 只駐 14.5GB：32GB 顯存跑 Flash-Next 很從容，連 KV 都塞得下每層 32K positions——Strata 的 KV「VRAM＋RAM 分層」是明示設計，跟 llama.cpp 靜默 spill 到 CPU 是兩回事，這點體驗差很多。
- PCIe 3.0 x8+x8 瓶頸確認存在：解題／英文情境落後 15~20%，與他 4.0 x16＋八通道的頻寬差距方向一致；但中文情境反超說明瓶頸不是單向的。
- Agent 場景附加觀察：換引擎後 function calling、圖片 OCR、繁中語感全數正常，Hermes 側零改動無縫切換。
-
我來交一下作業，優化後 還是可以用一下，只是比LLAMA.CPP慢一些
因該是我的HERMES+CHAT的限制關係，如果瀏覽器直出，就沒有這個問題
【實測】雙 5070 Ti 16G × Strata v0.1.42 跑 Qwen3.8-Flash-Next IQ3_S：四情境解碼實錄（對齊 #2033 測法）
適配硬體： 雙 NVIDIA RTX 5070 Ti 16GB（32GB VRAM）＋ Windows 10 實體機 ＋ VirtualBox Ubuntu VM（跑 Hermes Agent）
一、背景
主力推理層一直是 llama.cpp，2026-10-12 換成 Strata 試跑一天，順便照 #2033 kos-or 的四情境測法量了解碼速度。先講結論：一天下來工具呼叫、多模態、繁中輸出全部正常，沒有翻車，速度數據如下。
二、我的測試條件與硬體
項目 內容 模型 Qwen3.8-Flash-Next GGUF（IQ3_S 量化，Strata 編譯器版） 推理引擎 Strata v0.1.42 Context 196,608 tokens（192K） KV cache INT8 streamed；每層 32,768 positions 在 VRAM，其餘於 RAM 投機解碼 MTP drafts ≤3 ＋ prompt lookup MoE 配置 Experts in VRAM：7,661 個（14.5 GB） 多模態 Images on GPU 雙 RTX 5070 Ti 16GB，張量對稱切分，PCIe 3.0 x8+x8 CPU / RAM i9-9900K @3.6GHz（16 執行緒）／128GB DDR4-3200 雙通道 OS Windows 10 Pro 22H2 跑推理層；Agent 在 VirtualBox Ubuntu VM，經 8080 跨層呼叫，零雲端 API 三、測試方式（對齊 #2033）
- 四情境各生成 1,200 tokens，串流計數，解碼速度 ＝（總時間 − TTFT）換算 tok/s
- 情境：解題（數學證明多解法）／Coding（LRU Cache 完整實作）／英文寫作／中文寫作（各 1500 字技術文章）
- temperature 0.5、Strata 預設思考、每情境間隔 3 秒冷卻
四、結果與對照（同為雙 5070 Ti 16G）
情境 kos-or #2033（IQ3_XXS／v0.1.31／256K） 我（IQ3_S／v0.1.42／192K） 解題 127 tok/s 106.4 tok/s Coding 110~140 tok/s 108.6 tok/s 英文寫作 100 tok/s 91.1 tok/s 中文寫作 85 tok/s 106.9 tok/s 五、變因差異
變因 kos-or #2033 我 量化 IQ3_XXS IQ3_S（權重較大，頻寬需求較高） MTP 文內未標註 drafts ≤3 ＋ prompt lookup CPU/記憶體 Threadripper Pro 3945WX＋八通道 DDR4（153GB/s） i9-9900K＋雙通道 DDR4-3200 PCIe 雙 PCIe 4.0 x16（32GB/s） PCIe 3.0 x8+x8（8GB/s） Context 256K 192K KV cache INT8 INT8（相同） 六、心得
- 中文寫作逆勝 26%：他 85、我 106.9。Flash-Next 系列中文輸出速度跟平台關係很大，老平台在中文情境不吃虧。
- MoE experts 只駐 14.5GB：32GB 顯存跑 Flash-Next 很從容，連 KV 都塞得下每層 32K positions——Strata 的 KV「VRAM＋RAM 分層」是明示設計，跟 llama.cpp 靜默 spill 到 CPU 是兩回事，這點體驗差很多。
- PCIe 3.0 x8+x8 瓶頸確認存在：解題／英文情境落後 15~20%，與他 4.0 x16＋八通道的頻寬差距方向一致；但中文情境反超說明瓶頸不是單向的。
- Agent 場景附加觀察：換引擎後 function calling、圖片 OCR、繁中語感全數正常，Hermes 側零改動無縫切換。
-
-
**【實測更新】Strata v0.1.45 + IQ4_XS — 雙卡 RTX5070 Ti
剛跑完雙卡 RTX 5070 Ti，同一套四情境測法（各生成 1,200 tokens × 3 輪取平均），數據更新如下：
雙卡 RTX 5070 Ti 16G Decode：
解題 : 113.7 tok/s
Coding: 106.7 tok/s
英文寫作 : 117.3 tok/s（單輪最高衝到 136.3）
中文寫作 : 108.7 tok/s平台規格 :
目標模型 ：Qwen3.8-Flash-Next-Uncensored.i1-IQ4_XS
推理引擎 ：Strata v0.1.45
Context : 256 K
CPU : i9-9900K｜RAM : DDR4 128GB｜PCIe : PCIe 3.0 x8 + x8（無 NVLink，雙卡 tensor split 1,1）小結：
- 跟樓主 v0.1.31 的數據對照，同測法下 IQ4_XS＋v0.1.45 基本持平略勝（英文寫作單輪有摸到 136）。
- 所有調優都試過，速度一直上不去，我判斷卡在 PCIe 3.0，測試只有跑6.8G——IQ4_XS 權重單張 16G 裝不下必須雙卡，每層 decode activation 都要走 PCIe 交換，x8+x8 頻寬再砍半。量化已經換到帶了，瓶頸就轉移到總線。同場雙卡玩家若能單卡裝下，試試單卡模式對照就知道差在哪。
-
**【實測更新】Strata v0.1.45 + IQ4_XS — 雙卡 RTX5070 Ti
剛跑完雙卡 RTX 5070 Ti，同一套四情境測法（各生成 1,200 tokens × 3 輪取平均），數據更新如下：
雙卡 RTX 5070 Ti 16G Decode：
解題 : 113.7 tok/s
Coding: 106.7 tok/s
英文寫作 : 117.3 tok/s（單輪最高衝到 136.3）
中文寫作 : 108.7 tok/s平台規格 :
目標模型 ：Qwen3.8-Flash-Next-Uncensored.i1-IQ4_XS
推理引擎 ：Strata v0.1.45
Context : 256 K
CPU : i9-9900K｜RAM : DDR4 128GB｜PCIe : PCIe 3.0 x8 + x8（無 NVLink，雙卡 tensor split 1,1）小結：
- 跟樓主 v0.1.31 的數據對照，同測法下 IQ4_XS＋v0.1.45 基本持平略勝（英文寫作單輪有摸到 136）。
- 所有調優都試過，速度一直上不去，我判斷卡在 PCIe 3.0，測試只有跑6.8G——IQ4_XS 權重單張 16G 裝不下必須雙卡，每層 decode activation 都要走 PCIe 交換，x8+x8 頻寬再砍半。量化已經換到帶了，瓶頸就轉移到總線。同場雙卡玩家若能單卡裝下，試試單卡模式對照就知道差在哪。
-
我還是老樣子，strata 跑在windows 測試是用同一台主機中的vm虛擬主機，跑ubuntu，pcie掉速可能只讀需要的專家吧，我將模型整個放在RAM中，還是有一點點會掉到SSD，我只有一台電腦只能全在這台跑。
下面跑的是我測試，不會突然掉速的限制VRAM餘量，吃光有時後會掉速，因該是WINDOWS分頁的問題。
目前兩張顯卡（2× RTX 5070 Ti 16GB）在目前執行的 [strata-uncensored-iq4_xs.json]設定下的即時顯存與專家配置如下：
一、駐留專家數量（Resident Experts）
設備 負責層數 專家槽位數 專家佔用顯存 GPU 0 (CUDA0) Layers 0–23 4,244 個 10.52 GiB GPU 1 (CUDA1) Layers 24–47 4,159 個 10.31 GiB 雙卡合計 全 48 層 8,403 個 20.83 GiB 全模型共 24,576 個專家，雙卡總共長駐 8,403 個高頻專家（佔比 34.2%），在最新推論時解碼專家快取命中率維持在 90.4% ~ 94.2%。
二、兩張顯卡剩餘顯存（Free VRAM）
1. Strata 引擎模型載入後基準剩餘（目標 500~550 MiB）
- GPU 0：537 MiB（完美落在 500～550 MiB 區間）
- GPU 1：517 MiB（完美落在 500～550 MiB 區間）
2. nvidia-smi 即時實體顯存監控（含動態工作緩衝區釋放後）
- GPU 0：已用 14,847 MiB / 剩餘 1,149 MiB（溫度 36°C）
- GPU 1：已用 14,780 MiB / 剩餘 1,216 MiB（溫度 33°C）
雙卡均穩定維持在 500 MiB 安全邊際以上，無任何 WDDM 記憶體分頁延遲，運行表現最佳。
-
-
將模型整個放在RAM中，還是有一點點會掉到SSD
Strata 三種 --ple-io 模式 — direct(放SSD)/mmap(隨機調整)/ram(只放ram)
我今天再做了一次測試，Agent的分析是
除非SSD的速度很慢, 否則PLE/n-gram放在SSD和RAM中 速度上沒有差異
而且PLE/n-gram放在 SSD中 讀取也不會減少SSD的使用壽命，好處是可以節省RAM的壓力我暫時相信Agent的說法 哈
本來全放RAM的，我昨天也有測試，我改為direct放SSD了，速度差異0.x%，反而全放RAM有時後掉一點到SSD會破碎反而慢1~2x%，不能把RAM用到爆
不在家我會把其它軟體關掉，專家大該8600~8700左右。
更新Strata 0.2.2（0.1.47 核心）+ CUDA 13.4.3 + Blackwell sm_120
四情境測速結果（qwen3.8-flash-next-uncensored-iq4_xs @ n_ctx 262K）
情境 R1 R2 R3 平均 解題 107.0 130.9 104.7 114.2 tok/s Coding 122.2 124.8 108.5 118.5 tok/s 英文寫作 121.2 123.2 111.1 118.5 tok/s 中文寫作 117.5 109.5 111.9 113.0 tok/s 
解讀：- 四情境平均全數突破 110，單輪最高 130.9——比 16K 標準基準的穩態（94~107）還高一截。原因：四情境 prompt 短、TTFT 只有 3~6 秒，Decode 段幾乎全程跑熱機穩態，這正是論壇「最高值」口徑的由來。
- Coding／英文寫作最快、解題與中文寫作略慢，屬正常的輸出內容差異，非硬體問題。
-
本來全放RAM的，我昨天也有測試，我改為direct放SSD了，速度差異0.x%，反而全放RAM有時後掉一點到SSD會破碎反而慢1~2x%，不能把RAM用到爆
不在家我會把其它軟體關掉，專家大該8600~8700左右。
更新Strata 0.2.2（0.1.47 核心）+ CUDA 13.4.3 + Blackwell sm_120
四情境測速結果（qwen3.8-flash-next-uncensored-iq4_xs @ n_ctx 262K）
情境 R1 R2 R3 平均 解題 107.0 130.9 104.7 114.2 tok/s Coding 122.2 124.8 108.5 118.5 tok/s 英文寫作 121.2 123.2 111.1 118.5 tok/s 中文寫作 117.5 109.5 111.9 113.0 tok/s 解讀：- 四情境平均全數突破 110，單輪最高 130.9——比 16K 標準基準的穩態（94~107）還高一截。原因：四情境 prompt 短、TTFT 只有 3~6 秒，Decode 段幾乎全程跑熱機穩態，這正是論壇「最高值」口徑的由來。
- Coding／英文寫作最快、解題與中文寫作略慢，屬正常的輸出內容差異，非硬體問題。
