RTX3080 20g,qwen3.6 27B 45-50T/S 35B多模态256K 110T/S

[vosrock]

[ezios]

@vosrock 我认为35B你那个配置还可以优化，不应该只有500，Hermes我刚试了2080ti，35B很快就回答了，后台扫了一眼日志，应该是上千的。我是2080ti，并且是用USB4接的显卡，输出只有45tokens/s

不过我是llamacpp跑的：

version = 1

[*]
parallel = 1

n-gpu-layers = 999

ctx-size = 131072
predict = 8192

flash-attn = on

cache-type-k = q4_0
cache-type-v = q4_0

threads = 8
threads-batch = 16

batch-size = 8192
ubatch-size = 512

jinja = true
reasoning = off
reasoning-budget = 0

cache-prompt = true
cache-reuse = 256

kv-offload = true
kv-unified = true
context-shift = true

no-mmap = true

temp = 0.7
top-p = 0.9
top-k = 40
min-p = 0.0

presence-penalty = 0.0
repeat-penalty = 1.03

load-on-startup = true
stop-timeout = 10


[default]
model = C:\models\Qwopus3.6-35B-A3B-v1-APEX-MTP-I-Compact.gguf

spec-type = draft-mtp
spec-draft-n-max = 2

cache-type-k-draft = q4_0
cache-type-v-draft = q4_0

[vosrock]

是的，甚至我现在还没有加多模态，使用LMSTUDIO和直接用LLAMA.CPP速度相差巨大，不过直接用LLAMA.CPP我无法让HERMES调用SKILL，还没找到方法，现在关注点问题集中在模板上了，希望可以搞定

[vosrock]

自己修理自己进行中

[vosrock]

终于是搞定了，.\hermeswork\llama.cpp\build\bin\Release\llama-server.exe -m D:\hermeswork\models\Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-APEX-I-Compact.gguf -c 262144
-ngl 60 -t 20
-tb 14 -b 4096
-ub 256 --temp 0.7
--top-p 0.9 --top-k 40
--min-p 0.0 --presence-penalty 1.0
--repeat-penalty 1.05 --flash-attn on
--jinja --cache-type-k q4_0
--cache-type-v q4_0 --reasoning off
--reasoning-budget 0 --host 0.0.0.0
--port 11434 --kv-offload
--kv-unified --mmap
--mlock `
这是最终的配置

我也不太懂看，貌似PREFILL能有1600多？

[vosrock]

刚才试过了，27B还是能感受到要强一点，速度也能勉强接受吧，我觉得是两个模型都能跑

[comeN]

单卡3080-20G就这速度？我双卡3080开MTP=3输出代码时候才47Token/s

[jimsavage]

我的编译总是出问题。后来看了build.md，用Visual Studio 17 2022,一次编译成功，命令是cmake -B build -G "Visual Studio 17 2022" -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON -DCMAKE_CUDA_ARCHITECTURES=86 -DLLAMA_BUILD_SERVER=ON -DLLAMA_BUILD_ALL_EXAMPLES=OFF -DLLAMA_BUILD_TESTS=OFF -DLLAMA_BUILD_EXAMPLES=OFF

[vosrock]

经过一天的折腾，27B确实智能更强，在教他干活的时候明显好用，多智能体协作的时候或者并行的时候，峰值可达70TOKEN/S，我勒个去，这个速度是我万万没想到的，35B我还没测试多线程，单线程的时候任务超过10分钟后，速度也会降到60多，我怀疑是还没优化到位，不过我已经不想搞了，27B三个线程已经可以这么快，就算两个线程基本是可以到60TOKEN/S的，我还搞毛线啊，干活去

[vosrock]

40多分钟了，两个线程跑完了，剩下一个线程越跑越快你敢信

[terry]

@vosrock 关于干活的，可以写个帖子单独分享下。

[vosrock]

可惜没截图了，第一个工作就是让他读一个IC的PDF，读的过程中忽然想让他直接帮我翻译成中文，看起来舒服点，然后各种调教，缓存里找到几张过程他自己截的图


这两张就是35B做的，然后怎么教他都改不过来，后来我就换27b模型,经过几次的修改就得到这么一张优质的翻译结果，然后就让他用三个线程将整个PDF140多页全部翻译过来

[vosrock]

又让他写一个实时统计我TOKEN使用量的网页，一次成功了。

[terry]

@Tide 抄作业也要交作业，抄作业心得，

[rock shi]

@terry qwen 35b在hermes里干活不行，跟gemma差不多水平，不是出错就是逻辑循环根本没法干活。必须是27b或者DeepSeek才适配hermes

[rock shi]

@comeN 我也是双卡3080 20，这得看开了多少上下文把，还有reasoning等级。我hermes开128k，reasoning high差不多就你这个速度上下浮动

[rock shi]

而且还得看mtp有没有命中，命中了就很快能到50多，没命中最慢36

[y2k]

感谢大佬分享，等3080到货，就按你这个部署win版的模型

[vosrock]

因为显存确实很紧张，如果不是差钱，还是得用3090，就不用那么窘迫，
今天已经开始了一个客户的在线数据分析预测系统，因为要长时间跑数据训练，所以就发现了多线程会导致降速，实际上就是炸显存，所以NP就只能设置1了现在跑了一个下午了速度没降，也很稳定

这里也要设置一下，大幅度避免上下文压缩

[vosrock]

以上设置，长时间跑，就是这个速度了，总的来说，还是不建议这张卡，至少还是得3090，那是优雅得多了，多模态也可以安排上