這應該是我最後一篇Qwen 3.8 27B
下一次就等Qwen4出來了

1. 引用技術（哪些開源元件）組合方式因人而異，我是偏好拿自己的積木來組合，你也可以全抄開源的方法

整套腦拆成五塊，底料三塊是第三方，整合是我們的：

幾個關鍵定位：

• P2P 直連是 PCIe BAR1 GPUGPU 直傳，不是 NVLink、也不是裸 PCIe 經 host bounce。走 aikitoria patch 開的 BAR1 視窗，實測 28.5 GB/s（~90% Gen5 x8 天花板）。
• 雙卡各直掛 CPU die 的 Gen5 x8 root port（無 switch），ReBAR 把 BAR1 開到各 32G。

2. 裝配步驟（從無到有）

4步，順序依賴 1→2→3→4（前一步的產物是後一步的前置）。

2.1 裸機驅動 + P2P patch（從無到有）

目標：nvidia-smi topo -p2p r 雙向 OK、實測 28.5 GB/s。

2.2 Build 推論引擎 binary

由 source 產 ninfer-serve。關鍵是 CUDA arch 要傳 120a（5090/Blackwell）：

成功判據：Found CUDAToolkit 13.1 + Found libavformat + 無 CMake Error，末尾 Linking CXX executable apps/ninfer-serve。

2.3 模型 artifact（nvfp4 + DF2 drafter）

用 NInfer 官方 convert 工具，Qwen3.8-27B → nvfp4、融合 DF2 81 個 drafter tensor：

2.4 起 TP2 + DF2 + vision production

核心啟動命令

setsid nohup "$BIN" "$MODEL" \
  --host 0.0.0.0 --port 12435 \
  --tp 2 --devices 0,1 \
  --max-context 131072 \
  --kv-dtype nvfp4 --kv-capacity auto \
  --max-concurrency 8 --prefill-chunk 32768 \
  --spec dflash2 --draft-tokens 7 --lm-head-draft \
  --default-max-tokens 16384 \
  --vision --vision-device 0 --media-cache-mib 256 --media-live-mib 512 \
  --model-id qwen38-nvfp4-mtp >>LOG 2>&1 </dev/null 200>&- &

4. 避坑(這部份請你家AI幫忙念!!!!!!!!!!!!!!)

驅動 / P2P

• 595 GSP firmware 建不出 BAR1 P2P mailbox → 固定 615.71.09；Ubuntu 更新蓋掉用 restore 腳本還原。
• 閒置 PCIe 掉 Gen1 是正常 ASPM 省電，有負載立刻爬回 Gen5 x8。測 link 爬升用真實 compute 負載（torch matmul），別用 nvidia-smi -lgc（只鎖時鐘、不打滿 link、且拖垮後續 bench；用過務必 -rgc/-rac 復位）。

Build

• CMAKE_CUDA_ARCHITECTURES 不傳 120a → NInfer supports only CMAKE_CUDA_ARCHITECTURES=120a。必傳 + 用對 CUDA 版本。
• ffmpeg libavformat not found → PKG_CONFIG_PATH 沒指向 deps。

Artifact / spec

• convert 必用 python3 -m 模組模式，直接跑腳本會 ImportError。
• 含 dflash2 權重的 artifact 在舊 fork 的 --tp 2 下必炸（shard_mapping 無 dflash2 branch）。正牌解 = 用 rebase 到 upstream 的 binary（有 dflash2 機制 + 補 TP2 split wiring）。
• --spec dflash2 缺 --lm-head-draft → DF2@TP2 硬性要（源碼 guard，缺則 throw）。

KV / memory

• KV dtype 決定 pool 尺寸：nvfp4 ≈ int8 的 1/2 bytes/token，混配 = 啟動即 OOM FATAL。用 --kv-capacity auto 讓引擎依 dtype 自動 fit 卡片。
• 從 hermes terminal(background=true) 拉 server 會 OOM（worker scope 有 memcg cap）→ 用 setsid nohup 脫離 gateway cgroup。

Benchmark 口徑

• 比併發一定鎖 prompt 長度 + 輸出長度口徑：純 decode workload（短 prompt、長輸出）會把重 draft head 的跨卡 allreduce payload 吃滿 → per-stream -41%；生產形（長 prompt、短輸出）只 -18%。口徑不同會完全誤導結論。
• 跨 spec 比接受率沒意義：MTP 4-draft vs DF2 7-draft 分母不同。wall 吞吐才是唯一公平口徑（同 prompts、同 max_tokens、T=0）。
• tok/s 以 server 端 per-request log 為準，client SSE 會低估 ~4.5×。

雙 5090 無 NVLink 的 TP2 雙卡推論，靠 aikitoria P2P patch + NInfer 純 CUDA allreduce + DF2 重 draft 拼到 production。底料開源、整合實戰。有踩到一樣坑的歡迎對照。