上次實測Halogen Flash Server跑Qwen 3.8 Flash Next一陣子了，github不斷更新，這版v0.16比較有趣的是可以用NPU跑Embedding、Reranker、Dicider的小模型了。

v0.16內建了Qwen的Embedding、Reranker、Decider，
Decider是跟Jev對標的推論模型，我目前還沒想到實戰用途，
而Embedding與Reranker實戰用途就很明確了，老早就廣泛被RAG或向量資料庫拿來做知識、文件管理，所以直接測這兩兄弟
兩者通常在資訊檢索（如 RAG 搜尋系統）中搭配使用，分工如下：

• Embedding（向量化 / 初篩）
  作用：把文字轉換成包含語意特徵的「數字向量」。
  定位：負責大海撈針。透過計算向量間的距離（如餘弦相似度），以極快速度從數百萬筆資料中挑出初步相關的幾十到幾百筆結果（速度快、算力成本低，但語意理解深度有限）。

• Reranker（重排序 / 精算）
  作用：將使用者的問題與初篩出來的每篇文章配對，放入模型（如 Cross-Encoder）深度交叉比對相關性並重新打分排序。
  定位：負責去蕪存菁。精準度極高，能挑出最核心的幾筆交給後續模型使用（理解深度高，但計算慢、成本高，無法直接對海量資料運算）。

總結：Embedding 負責「快選前 100 名」，Reranker 負責「從中精挑前 3 名」。
如果你的文件或知識量巨大，不可能全部塞KV Cache、成本太高，RAG的用意就是將向量庫落盤到SSD甚至HDD。
過去能驅動這類模型的推論引擎主流就是llama.cpp與vllm，現在Halogen是頭一個做到能用NPU做向量處理的

除了測速度、RAG很重要的是召回正確性，這次也出了題目一併測試。

1. 測試環境

項目	內容
APU	AMD Strix Halo gfx1151，128G 統一記憶體（OS 可見 124G）
OS	Nobara 44，kernel 7.1.4，ROCm 7.2.4
NPU 側	halogen-flash-server 0.16.0，HALOGEN_NPU_MODELS，/dev/accel/accel0＋XRT 2.26.0（COPR），IOMMU on
iGPU 側	llama.cpp fork（ROCmFPX build），vulkan router :8002，GGML_HIP_ENABLE_UNIFIED_MEMORY=1
CPU 側	同一 fork binary，-ngl 0，32 thread，臨時 :8109/:8110（embed 加 -ub 2048，見 §4），測完即下
Embedding 權重	NPU：peonist qwen3-embedding-0.6b（精度未公開，估 4–5bpw）；iGPU／CPU：enacimie/Qwen3-Embedding-0.6B-Q4_K_M-GGUF（Q4_K_M，396MB）
Reranker 權重	NPU：peonist qwen3-reranker-0.6b；iGPU／CPU：dean2155/Qwen3-Reranker-0.6B-Q4_K_M（️第三方量化，非官方）
輸出維度	三邊都是 1024

2. halogen 版本追蹤（NPU 部分）

• 0.16.0 新增 NPU 小模型同端口（decider-0.8b／qwen3-embedding-0.6b／qwen3-reranker-0.6b）。
• 開通代價（.55 實錄）：grub 刪 amd_iommu=off（驅動拒綁，journal 明寫）→COPR 裝 XRT 2.26.0 三件→容器接 /dev/accel/accel0＋lib 三份雙掛（lib/＋lib64/ 都要，少一邊拒啟）＋/sys:/host/sys＋/models 改 rw。

3. embedding 跟 reranker 是做什麼的（RAG 兩件套）

• Embedding：把文字壓成 1024 維向量，語意相近＝夾角小（cosine 高）。RAG 第一步：query 和文件都轉向量，用 cosine 撈候選。本次驗法：同義句 vs 無關句，gap 越大越好。
• Reranker：把候選文件和 query 一對一精排（cross-encoder），輸出相關分數重排序。本次驗法：4 文件中狐狸那篇應該第一（query：fox by the river）。

4.測試題目

RAG應用 速度不是唯一 故召回與排序的正確性是重點

速度題

• 短句（~10 tok）：The quick brown fox jumps over the lazy dog. → /v1/embeddings，計 wall 時間。先打一次 warmup 不計分，再量。

• 長文（1401 tok）："Strix Halo unified memory architecture review" ×200（空格連接）→ 同 endpoint。1401 是 server 回報的 actual prompt_tokens。

• Rerank：query＝fox by the river，4 文件：

  1. The fox jumped near the river bank at dawn.
  2. LPDDR5X bandwidth reaches 256 gigabytes per second.
  3. The bank approved the loan yesterday afternoon.
  4. Canine sleep patterns vary by breed and age.

  → /v1/rerank（vulkan/CPU）或 :8731/v1/rerank（NPU），取 relevance_score 排序，計時＋記順序。

正確性題

• Embedding cosine：三句——原句（fox jumps...）、同義改寫（A fast dark fox leaps above a sleepy canine.）、無關句（Quantum entanglement enables instant communication.）。算 cos(原句,同義) vs cos(原句,無關)，gap 越大越好。dim 都是 1024。
• Rerank 排序：同上 4 文件，正解 index 0（狐狸篇）第一。LPDDR 篇（index 1）是干擾項（跟 query 零語意交集，純字面 bank 撞詞的是 index 2）。

控制條件

• 同文本跑三邊（NPU／iGPU／CPU），temperature 不影響 embedding（確定性），rerank 取預設參數
• 每項 2–3 次，報告取區間（NPU 長文 0.36/0.38/0.54 那次 variance 有標）

5. 速度比對（同文本，Q4 對 Q4）

Embedding

Rerank（4 文件，同 query）

小結：短查詢 iGPU 最快（0.04s），長文也是 iGPU 最快（0.22s），NPU（0.36–0.54s）＋CPU（0.48–0.69s）居次。0.6B 這量級，iGPU 算力說了算；NPU 的價值在零 burden（不佔VRAM、不開整組 vulkan）＋長文開箱不炸。

6. 正確性比對（Q4 對 Q4）

Embedding cosine

	同義	無關	gap
NPU	0.7096	0.4202	0.2895
iGPU Q4_K_M	0.8131	0.4698	0.3433
CPU Q4_K_M	0.8113	0.4616	0.3497

三邊都正確分離。llama 系兩邊 gap 一致（0.34–0.35，同權重同精度）；NPU 窄一點（0.29，自家量化精度未知），但遠過門檻。

Rerank 排序（query：fox by the river，正解狐狸篇 index 0）

	排序	頂部
NPU	[0, 3, 2, 1]（兩次一致）	語意對
iGPU Q4_K_M	[1, 2, 0, 3]（兩次一致）	️ LPDDR 篇第一
CPU Q4_K_M	[0, 2, 3, 1]	狐狸篇第一

重點發現：同一個 Q4_K_M，CPU 排對、vulkan 排錯——server 端處理（模板／參數）會影響排序，權重相同≠結果相同。NPU 兩次都對可以說是正確又一致。iGPU 的錯排打了折扣看（第三方量化），但 CPU 同量化排對，說明問題在 vulkan 那側的處理，不在權重。

7. 結論

1. 三方重排：短文延遲 iGPU（0.04s）＞CPU（0.05s）＞NPU（0.11s）；長文 iGPU（0.22s）＞NPU（0.36–0.54s）＞CPU（0.48–0.69s）。0.6B 這量級 iGPU 通吃，NPU 贏在零 burden 不在速度。
2. 正確性：embedding 三邊全過；rerank NPU＝CPU＞vulkan（同權重不同 server 結果不同，server 也是變量）。
3. 成本：NPU 幾 GB 零 burden；CPU 零成本隨起隨下；GPU需vulkan 整組。
4. 實用建議：RAG 長文走 NPU；短 query 要極限延遲開 vulkan；iGPU 不在時 CPU 完全夠打。
5. AI Max+ 395的CPU是有AVX 512指令級的ZEN5新架構，對CPU推論的矩陣運算幫助很大，如果是不支援AVX512的CPU效果會大打折扣。
6. .利用NPU最大價值是可以把CPU與GPU的開銷節省下來做其他事。