這是在設備上使用 Pi Agent + Qwen3.8-Flash-Next UD-IQ4_XS 讓他調校自己的結果，以下是他整理的重點記錄。

Strix Halo 跑 256K 上下文本地模型：兩個真正的槓桿

機器　Ryzen AI Max+ 395（gfx1151，128 GB 統一記憶體）
模型　Qwen3.8-Flash-Next UD-IQ4_XS（Unsloth Dynamic，55.43 GiB expert / 24576 個）
環境　ROCm 7.2.4 / hipBLASLt 1.2.2 / Strata engine 0.1.40 / 256K context

---

效果

只比「大段 prompt 冷讀」（≥20000 個新讀入 token）：

階段	prompt	生成
預設安裝	382 tok/s（9 樣本，359–393）	45.8 tok/s（268 樣本）
加 hipBLASLt 調校表	687 tok/s（3 樣本，660–773）	48 tok/s
最終配置	1246 tok/s（7 樣本，1238–1299）	52.0 tok/s（133 樣本）

prompt +226%（3.26 倍）· 生成 +13.7%
21 萬 token 的冷讀：9.2 分鐘 → 2.8 分鐘

---

槓桿一：hipBLASLt 自己校正（+80%）

gfx1151 上 hipBLASLt 自行挑選 GEMM kernel 的表現很差。tools/hip/tune_hipblaslt 把 90 個真實 GEMM 尺寸逐一跑完所有候選 solution，量出最快者寫成一張表。空載跑一次，幾分鐘。

版本碼必須完全相符。 表頭綁 架構 + hipBLASLt 版本碼，引擎是嚴格比對（if (version != expected_version) 直接拒絕）。倉裡附的 gfx1151 表是 100401（ROCm 7.14.1），ROCm 7.2.4 是 100202 → 必須自己校正，沒有公版可沿用。solution ID 在版本之間也不相通。

cmake --build build --target tune_hipblaslt -j 8
./build/bin/tune_hipblaslt --pack <pack> --arch gfx1151 \
    --output tools/hip/gfx1151-hipblaslt-100202.txt
# 然後 env.STRATA_HIPBLASLT_TUNING 指向該檔

啟動日誌會回報 hipBLASLt tuning enabled (90 rows, gfx1151, version 100202)。

---

槓桿二：維護者的快速配置（再 +81%）

來自 docs/STRIX_HALO.md §5/§6：

--prefill 16384      --lookup-chain 3      --mtp-q4 all      --mtp-window 8192
env: STRATA_PF_FUSED=1  STRATA_PF_GEMM=1   STRATA_HC_UPMIX=1  STRATA_PA_FAST=1
     STRATA_HIP_WMMA=1 STRATA_SELECT_WMMA=1 STRATA_HC_Q8=1    STRATA_PF_SWITCH_MIN_T=4096

--prefill 從 auto（上限 8192）放寬到 16384，讓長 prompt 少切一半的塊。

️ 這 7 個環境開關會改輸出 token（加總順序 / FP16 中間值），不同於 §4 那 18 個 byte-identical 的預設開關。需要逐字可重現輸出的人不要開。

---

前提：別把 expert cache 擠出去

額度公式 MemAvailable − 6 GiB，要 ≥ 55.43 GiB 才裝得下全部 expert。裝不下就會每次請求都從 SSD 讀 expert，所有調校收益直接轉負。

每次重啟後確認這行：

expert cache 24576 slots, 55.43 GiB — all experts resident

這條因果鏈是：可用 RAM → expert cache 額度 → SSD 讀取量 → 速度。在統一記憶體的機器上，任何吃 RAM 的設定都要單獨測。

---

視覺：AMD 走 CPU，可用

hip_vision() 在 AMD 上一律回 cpu（gpu / yes 會直接關閉）。自己抓 mmproj（0.85 GiB / 449M 參數 / 27 層 ViT）、自己編 strata-vision。

• 第一張圖 17 秒，同一張重複送 3 秒（sha256 快取命中）
• max_tokens 1024 = 有效解析度 1344×768
• 2560×1440 的表格截圖，中文小字可正確轉錄
• 解碼執行緒實測：8→19.1s　16→10.7s　24→9.7s　32→10.0s（24 是最佳點）

---

最終配置

--expert-cache auto        --prefill 16384        --spec 4 --spec-min-p 0.5
--mtp <mtp/rt>             --max-context 262144   --kv int8 --kv-resident 32768
--lookup-chain 3           --mtp-q4 all           --mtp-window 8192
--vision                   --vram-reserve-mib 700

env  STRATA_HIPBLASLT_TUNING = <自校 90 列表>
     STRATA_PF_FUSED / PF_GEMM / HC_UPMIX / PA_FAST
     HIP_WMMA / SELECT_WMMA / HC_Q8 = 1
     STRATA_PF_SWITCH_MIN_T = 4096

vision  max_tokens 1024 · threads 24 · gpu false

---

一句話：在 Strix Halo 上，最大的槓桿不是模型或量化，是「hipBLASLt 要自己校正」加上「別把 expert cache 的記憶體擠掉」。前者給你 3 倍，後者決定那 3 倍還在不在。