Qwen3.8-27B方案新王降臨 Capy-Flash v0.6.0 雙 RTX 5070 Ti + WSL2 跑 capy-flash v0.6.0：Qwen3.8-27B NVFP4 開到 256K，解碼 145 t/s

MK CHAO

雙 RTX 5070 Ti + WSL2 跑 capy-flash v0.6.0：Qwen3.8-27B NVFP4 開到 256K，解碼 145 t/s

先講結論：在沒有 AVX-512 的 5700X3D 上，capy-flash 的 27B dense 路線完全可行，256K context 開得起來、也用得動，長 context 解碼仍在 145 t/s 上下。以下全部是同機實測，不是引用發佈方數字。

一、測試平台

項目	規格
CPU	AMD Ryzen 7 5700X3D（Zen 3，無 AVX-512）
GPU	2 × RTX 5070 Ti 16GB（無 P2P，PCIe 4.0 x8/x8）
RAM	112GB DDR4-2400（四條混插，JEDEC）
OS	Windows 11 + WSL2 Ubuntu 24.04
驅動	617.14
引擎	capy-flash v0.6.0（release tarball，sm120a）
模型	Qwen3.8-27B QUASAR-QAT NVFP4（16.2 GiB，含 vision + MTP）

之所以特別註明「無 AVX-512」：官方文件寫 Flash-Next NVFP4 需要 AVX-512 做 CPU expert 計算，但 27B 不需要——權重完整放在兩張卡上。這點對老平台很關鍵。

二、256K 可以開，而且真的能用

KV 262,144 tokens, int8 | pages 4096/4096 | runtime 5.03 GiB | 每卡剩 ~172 MiB

深度實測（MTP ×3，thinking off，單請求）：

提示詞 tokens	Prefill	Decode	草稿接受率
197,783	2,422 t/s	146.5 t/s	93.3%
213,772	2,319 t/s	150.8 t/s	93.3%
249,852	2,100 t/s	145.6 t/s	93.3%

短至中等深度：

提示詞 tokens	Decode
772	181.8 t/s
12,044	156.3 t/s
48,109	195.5 t/s
96,198	180.7 t/s
142,784	209.4 t/s
155,704	172.4 t/s

代價：冷的 25 萬 prompt，TTFT 約 2 分鐘；每卡只剩 170MB 餘裕，不能同時跑 ComfyUI / 另一個引擎。

三、MTP vs DFlash2：短輸出會騙人

同一個 40k 提示詞、各生成 500+ tokens（這才是公平樣本）：

後端	Decode	接受率
MTP ×3	151.7 t/s	52.3%
DFlash2 ×7	133.2 t/s	26.2%

但如果你只讓它生成 20 個 token，DFlash2 會出現 314.9 t/s 的數字——那是短輸出的假象，接受率在長生成時會掉到 26%。論斷投機解碼一定要用長輸出。

四、實戰 Agent 負載（DSH，114 筆請求）

項目	結果
結束原因	114/114 全部正常 `stop_token`，零截斷
Decode 中位數	99.7 t/s（52.7–142.4）
提示詞深度	最深 ~129K
Prefix cache	正常命中（單筆 126k tokens 命中）
工具呼叫	正常（單筆最多 8 個 tool call）
Vision	通過（四象限色塊全對，編碼 0.044 秒）

速度隨深度下滑：60–80K 約 120–140 t/s，90–130K 約 75–95 t/s。

五、三個踩過的坑（照順序踩）

1. 內附 libcudart 直接 segfault

用 tarball 內附的 lib/libcudart.so.13 啟動，會在 initializing CUDA 後直接 SIGSEGV，log 沒有其他線索。
解法：改用系統 CUDA 13.0 runtime，排在最前面：

export LD_LIBRARY_PATH=/usr/local/cuda-13.0/targets/x86_64-linux/lib:$FFMPEG_LIB

2. 缺 FFmpeg 8 共享庫

Ubuntu 24.04 只有 FFmpeg 6，但這個 release 連結 libavformat.so.62 / libavcodec.so.62 / libswscale.so.9 / libavutil.so.60。
解法：抓 BtbN 的 ffmpeg-n8.1-latest-linux64-gpl-shared，解到私人目錄後加進 LD_LIBRARY_PATH，不要污染系統套件。

3. 8 GiB host-KV 鎖定被 OOM 殺

--profile 27b 預設會鎖 8 GiB host KV，在 WSL 的 cgroup 裡被 OOM kill（oom_score_adj: 200）。
解法：縮小可選的 host tier：

--host-kv-mib 2048 --host-state-slots 4

六、256K 下的隱形殺手：KV lease 長不下去

這是這次最有價值的發現。設定 50K 輸出上限時，答案常常在 12K–17K 就自己停住，回報 output_limit，看起來像被截斷。

引擎 log 寫得很清楚：

[engine] warning: Device KV lease of lane 0 cannot grow ...
still short 1 main page for its smallest step,
so the answer ends early with output_limit

原因是 256K 的 KV 池先把 VRAM 佔滿，答案變長時要擴 KV 卻擴不出來，只好硬收。
解法：

--kv-lease-window 0

一開始就把整個輸出空間保留好，不必中途擴張。加上之後 114 筆請求、0 次警告、0 次截斷，速度也沒有下降（改前 133–136 t/s、改後中位 99.7 t/s，差異來自深度與內容而非這個參數）。

代價：長提示＋長輸出超過 256K 總量時會直接拒絕（context_capacity），而不是默默截斷。

七、關於思考長度

同一顆模型在一般請求的思考中位數只有 206 tokens，但遇到難題會單筆吃 79,458 tokens 才產出答案。所以：

設「思考上限」會硬切推理，難題正確率有下降風險（此引擎沒有鬼打牆偵測，無法區分這兩者）；
比較安全的做法是輸出上限留 92K 給長推理，撞上限就人工中止重問。

八、幾個誠實的邊界

這不是跟 Strata/Flash-Next 的公平比較。 capy-flash 27B 是 27B dense，Flash-Next 是 125B MoE；引擎、模型、量化全都不同。
測試機沒有 AVX-512、RAM 是 DDR4-2400，所以官方在 DDR5-5600 平台上的 175 t/s 不該直接對照；我們在 40k 提示的長生成是 151.7 t/s。
只有一台機器、單一使用者，--max-concurrency 1，多用戶數字未驗證。
DFlash2 在 27B 這條線沒有想像中強，至少在英文技術內容上是 MTP 較穩。官方也提過 DFlash2 的接受率對內容極敏感（非英文散文可能掉到 20%）。
26B/27B 以上量化選擇未做同題品質 A/B，本文只有速度與穩定性。

九、目前使用的啟動設定

ninfer-serve <27B-quasar-nvfp4.ninfer> \
  --profile 27b --host 0.0.0.0 --port 8080 --model-id capy-27b \
  --max-context 262144 \
  --kv-lease-window 0 \
  --spec mtp --draft-tokens 3 --lm-head-draft \
  --host-kv-mib 2048 --host-state-slots 4

載入約 40 秒，模型 id 需完全一致（capy-27b），送錯名稱會回 404。

十、測試結果

three.js水車小屋測試
Prompt：請用three.js建造一個麥塊風格的水車小屋，要有櫻花樹的場景
每個方塊請要有各自的材質，不要用單色的方塊，方塊內容要細緻，場景也盡可能精雕細琢，要有日出日落的變換
水車小屋，河道，水田，牧場，地形高低起伏，櫻花飄落
請把 three.js 完全內嵌進 HTML，做成html單檔

一次完成，沒有任何破圖，做出來效果還是相當不錯的

kos or

有 Prefix cache 讚一個,
不知道能否併發

MK CHAO

@kos-or 我都是個人使用沒有往這個方向測試耶，而且這個方案會把兩張顯卡的效能完全榨出來，基本沒有什麼餘裕了

kos or

有看到了有迸發功能我再試試喔！感謝大大分享 : )

imbiplaza ASUS

27b 还是很有潜力

terry

众屌丝核实一下，如果效果不错，那过几天Qwen 4.0 27B 出来就好玩了。

zrlhk

啥时候有win10的release版本？

抡锤者