最近把本地 LLM 平台从 NVIDIA 换到了双 AMD，CPU 和内存也整理好了。分享一下目前各个模型、后端的配置和实测结果，供类似硬件的朋友参考，也欢迎交流双 7900 XTX 的优化经验。

目前比较明显的感受是：显存从 24GB 增加到 48GB，模型放置和上下文配置更宽裕了，但速度仍然很依赖模型、量化格式、推理内核和专家缓存命中率。

硬件变化

项目	之前的 NVIDIA 平台	当前 AMD 平台
CPU	i5-13600KF	i9-13900KS
GPU	RTX 4070 12GB＋RTX 3060 12GB	RX 7900 XTX 24GB ×2
总显存	24GB	48GB
系统内存	64GB	64GB，系统可见约 61.51GiB
当前主板	—	MSI MPG Z690 CARBON WIFI
当前 GPU 链路	—	CPU PCIe 4.0 x8／x8

当前两张 AMD 卡都参与推理，但直接 P2P 尚未启用：

• SGLang、vLLM 使用 TP2，经主机内存传输。
• llama.cpp、Strata、Maya 使用各自支持的分层方案；Strata/Maya 的这些配置不能等同于真正的张量并行。
• MoE 模型使用 CPU/RAM 专家卸载和 GPU 热专家缓存，Strata、Maya 的流式模型放在 NVMe 上。

本次使用的后端版本

后端	版本／提交
llama.cpp HIP／Vulkan	4c3c5810
SGLang ROCm，gfx1100 分支	f84475cc，保留本地 RDNA 修复
vLLM ROCm	0.32.1rc1.dev36+ge68efc685.rocm72
Strata HIP	0.1.45 / 477ac13c
Project Maya HIP	1.1.17 / 8d9a9b5d
ROCm SDK	7.2.3

当前 AMD 实测

下面九个配置使用相同的基本测试流程：

• 短提示词分别测试代码和故事生成，每项预热一次、计时三次，取中位数。
• 输出上限 256 tokens，temperature=0.6、top_p=0.95、seed=42，请求关闭 thinking。
• Prefill 使用新输入，约 8K tokens；Maya tokenizer 下实际约 6.3K。
• 冷启动和编译时间不计入 TTFT。
• Decode 为外部 SSE 测量；llama.cpp／Strata／Maya 的 PP 来自原生计时，SGLang／vLLM 来自各自引擎的 prefill 阶段计时，定义有差异。

下表的“代码／故事”按这个顺序排列。PP、Decode 单位均为 tokens/s。

模型／量化	后端／策略	配置上下文	Prefill	新输入 Prefill TTFT	短提示词 TTFT，代码／故事	Decode，代码／故事
Qwen3.8-27B Q4_K_M	llama.cpp Vulkan，MTP3	64K	670.4	12.222s	0.132／0.131s	77.10／45.86
Qwen3.6-35B-A3B MXFP4_MOE	llama.cpp HIP，专家缓存＋MTP3	256K	373.5	21.933s	0.059／0.059s	126.73／78.36
Nemotron-3.5-Bolt-74B-A9B Q4_K_M	llama.cpp HIP，专家缓存	256K	220.3	35.989s	0.400／0.243s	37.21／36.87
Empero Qwen3.8-35B-A3B IQ4_XS	llama.cpp HIP，专家缓存＋MTP3	256K	388.4	21.083s	0.057／0.057s	125.85／77.07
Qwen3.8-27B GPTQ INT4	SGLang TP2，DFlash2	160K	1314.8	6.235s	0.102／0.097s	178.82／63.40
Qwen3.8-27B GPTQ INT4	vLLM TP2，compiled MTP3	160K	1413.8	5.806s	0.066／0.092s	130.31／68.96
Qwen3.8-Flash-Next IQ3_XXS	Strata HIP，overlap＋MTP3	256K	914.3	8.987s	0.219／0.223s	76.61／53.35
GLM-5.3-Flash Maya-S24	Maya HIP，分层＋MTP	32K	525.9	12.159s	0.074／0.097s	21.13／16.54
DeepSeek-V4.1-Flash-1017 Maya-S	Maya HIP，分层，DSpark 关闭	32K	185.5	33.956s	0.374／0.550s	6.24／6.84

另一个保留的模型是 Nemotron Super IQ3_XXS。它使用固定约 8K 输入的代码／故事测试，工作负载不同，因此单独列出：

模型／后端	上下文	实际输入／输出	原生 Prefill	TTFT	Decode
Super IQ3_XXS／llama.cpp HIP，代码	32K	8,108／256	98.21	82.566s	15.90
Super IQ3_XXS／llama.cpp HIP，故事	32K	8,111／256	97.84	82.911s	16.95

Super 当前关闭 MTP，使用 CPU 专家 backing 和 GPU 热专家缓存。上面的 TTFT 包含约 8K 输入处理，不能与前表的短提示词 TTFT 直接比较。

长上下文到底测到了哪里？

配置了某个窗口，不代表整个窗口已经完成质量和速度验证。目前保留的证据如下：

配置	实际输入／输出	验证结果
SGLang DFlash2，160K	160,861／22	开头、中间、结尾三个标记全部找回；新输入 TTFT 283.113s，历史跟进 TTFT 0.795s
vLLM MTP3，160K	160,868／22	三个标记全部找回；新输入 TTFT 183.591s，历史跟进 TTFT 1.467s
Strata Q3，256K	257,984／256	长输入和历史跟进通过；该探针原生 PP 1000.1、原生 Decode 67.1，未记录外部 TTFT
Maya GLM／DeepSeek，32K	约 30K 输入	标记检索和完整历史跟进通过

三个较小的 llama.cpp MoE 虽然配置为 256K，但保留的检索证据主要是旧版本约 64K，以及新版本约 8K 测试，不把它们写成已经完整验证 256K。

同样，表里的 SGLang 178.82 t/s 是短提示词代码生成成绩，不能当作带着 16 万 tokens 历史时的持续生成速度。

Strata 和 Maya 的配置补充

• Strata 保留 Flash-Next IQ3_XXS，专家 RAM 预算 13.5GiB，6 个 pool workers；INT8 KV，GPU KV 驻留 32K，其余使用主机 backing。
• GLM 使用 Maya-S24／IQ2_XXS_S，三个 GGUF 分片，RAM 专家预算 40GiB，MTP 开启。
• DeepSeek 使用 Maya-S／IQ2_XXS，六个 GGUF 分片，包含 Q6_K Engram。这是混合量化，不能理解成所有张量都是统一 2-bit。
• DeepSeek 的 DSpark 已测过，这台机器上没有选用，当前保持关闭。
• Maya 保留每卡原生 8GiB reserve，并要求启动后实际整卡空闲至少 6GiB，同时监控主机内存、显存和 owned worker 的 swap／spill。

目前通过的配置均保留了零 observed worker swap／VRAM spill 的记录。正在测试 GLM Maya-S 对比 S24；暂时仍以上表已经验证的 S24 结果为准。

旧 NVIDIA 平台留档

旧平台是 4070 12GB＋3060 12GB。挑几组有实际计时记录的数据作参考：

模型／量化	当时的后端	上下文	Decode，代码／故事
Qwen27B Q4_K_M	llama.cpp，MTP	64K	53.5／32.0
Qwen27B INT4/group128	SGLang TP2，MTP	40K	83.56／51.59
Qwen27B INT4/group128	vLLM TP2，MTP3	48K	86.04／58.01
Qwen27B AWQ	HyperQwen TP2，MTP3	64K	108.3／66.8
Qwen27B AWQ	HyperQwen TP2，DFlash2	64K	170.1／67.3
Flash-Next IQ3_XXS	Strata，MTP4	256K	68.8／64.6

这些 NVIDIA 数据来自各自历史版本，CPU、量化、后端版本、上下文、输出长度和策略都存在变化，不能据此计算纯 GPU 升级带来的提升百分比。特别是旧 NVIDIA 的 HyperQwen DFlash2，本来就有很不错的短提示词成绩。

我把硬件、启动脚本、版本、测试方法和数值记录整理在了 Github 公开仓库：Biegle-W

欢迎有双 7900 XTX、类似 CPU／内存配置的朋友贴一下自己的 Maya、Strata 或 ROCm 成绩，最好带上量化、实际输入长度、采样参数、缓存状态和版本，方便一起对照。