<![CDATA[64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页]]>04-requests.png
06-dsh-quality.png

国庆那篇 4500 单卡跑 125B 的帖子里，我写过一句"60G 机器上的安全档是 IQ2_XS，想上 IQ3_S 得上 96G"。这半个多月我就照这个思路在用，IQ2 也确实够用。

前几天 Strata 更到 0.2.6，我跑了一下它自带的 fit 探测，IQ3_S 给的是 tight——不是不能跑，是"关掉别的程序"。这就勾起了我的好奇心，昨晚干脆把它拉起来跑了一晚上。

先说结果：能跑，而且比我预期好。

46.8G 的专家全部驻在内存里，没有掉进那种从 SSD 一点点读专家的低内存模式。显存吃到 33.4/34.2G（98%），内存 61.4/65.2G（94%）。数字看着吓人，但这套引擎本来就是拿显存换命中率的；桌面还能正常用，只是余量只剩两个 G 出头。

回头看那句「得上 96G」，是我把模型文件的大小当成内存占用了。IQ3_S 两个文件一共 83.6G，但其中 28.8G 是 n-gram 查表，mmap 在硬盘上按需读，不进内存；真正要驻的是 46.8G 专家，再加一点 KV。按这个账算，60G 的机器刚好够。

速度上我还闹了个笑话。第一版测试是客户端自己数流式分片，中文一个分片里经常塞着两个词，算出来 245K 才 85 t/s，我纳闷了半天怎么比 IQ2 掉这么狠。后来翻引擎的请求记录，同一个请求 155.9 t/s——是我数错了。所以下面都是引擎口径：短提示一百多 token 的时候 175 左右，16K 是 178，64K 171，127K 157，245K 155.9。长上下文基本不掉，这点比我原来估计的强。三万多 token 的提示读进去 3.3K t/s 左右，245K 那个光 prefill 要 74 秒，我觉得能接受。

质量这档官方给的是 89 分到 93 分（IQ2 到 IQ3_S，基本贴着满血）。日常能感觉到的，一是推理链长一点不容易中途跑偏，二是写小脚本的时候瞎编 API 的情况少了很多。这四分我认为值。

顺手拿 needle 试了下：32K 上下文、九成深处埋了个密码，问它，捞出来了。

坑也有几个。第一次起服务直接被拦，日志说专家要 46.84G，但这个进程的 cgroup 限额只有 4G，装不下它自己就退了——不是 OOM，是提前拒载，报错写得挺清楚，换个正常终端起就没事。二是我一开始按 2.4 字符一个 token 估长度，凑了个三十三万 token 的提示，直接 HTTP 400，才知道中文大概 1.73 字符一个 token，而且超了 262144 是直接拒不是截断。三是冷启动头几百个 token 专家缓存命中只有八成多，速度会慢一下，别拿那一段下结论，正常聊两轮再看数。

还有个不太好听的现实：内存顶到 94% 以后，引擎把多轮对话的缓存关掉了，日志写着 not enough free RAM to park conversations。每轮都得把前面整段重新读一遍，我那种三万 token 的对话，一问要等十秒左右。IQ2 余量有 13G，能驻四路会话，下一轮只读增量。所以真拿来聊天干活，IQ2 的体感反而顺；IQ3_S 更适合一次问清楚、要质量的事。

现在两个档我都留着，切换脚本一敲的事：平时 IQ2，要动脑子写东西的时候换 IQ3_S。原来那句"60G 只能将就 IQ2"算是打自己的脸，不过打得挺乐意。
截图 2026-10-27 01-26-08.png

图在下面：面板读数、请求记录表，还有接进 dsh 之后的实际对话（首 token 五秒多，输出 130 t/s，第二轮缓存命中 73%）。

配置没怎么动，还是 262K、kv int8、MTP spec 4，只是把 pack 和两个 gguf 换成 IQ3_S 的。

]]>https://lcz.me/topic/2609RSS for NodeTue, 10 Nov 2026 01:12:47 GMTMon, 26 Oct 2026 17:27:12 GMT60<![CDATA[Reply to 64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页 on Tue, 27 Oct 2026 01:41:44 GMT]]>内存得弄大些，96G比较适合跑IQ3_S

]]>https://lcz.me/post/28109https://lcz.me/post/28109Tue, 27 Oct 2026 01:41:44 GMT<![CDATA[Reply to 64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页 on Mon, 26 Oct 2026 23:44:59 GMT]]>@David-Chen 你把参数放代码里面，别裸发。

]]>https://lcz.me/post/28096https://lcz.me/post/28096Mon, 26 Oct 2026 23:44:59 GMT<![CDATA[Reply to 64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页 on Mon, 26 Oct 2026 23:43:02 GMT]]>挺能折腾的，我觉得吧，跑Strata，就别省那点钱了，还是给内存弄大点。你这属于极限优化。你这文章格式，发之前让AI整理下，弄成markdown，说了几次了吧，这样太丑了。

]]>https://lcz.me/post/28094https://lcz.me/post/28094Mon, 26 Oct 2026 23:43:02 GMT<![CDATA[Reply to 64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页 on Mon, 26 Oct 2026 18:08:33 GMT]]>@David-Chen 好的，感谢，我有时间试试！

]]>https://lcz.me/post/28078https://lcz.me/post/28078Mon, 26 Oct 2026 18:08:33 GMT<![CDATA[Reply to 64G 内存硬跑 IQ3_S：245K 上下文实测 155 t/s，专家全驻零分页 on Tue, 27 Oct 2026 04:00:58 GMT]]>4500+64G RAM
可以用 infernix 引擎跑 QFN nvfp4
＝＝＝＝下面參數借你參考(可以視妳情況調整 CTX KV等 )============

[b]start_infernix_tp1_qfn.sh[/b]
[code]```
code_text

#!/usr/bin/env bash
set -euo pipefail
DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
UNIT=infernix-qfn-12435-prd
UNIT_FILE="$DIR/$UNIT.service"
USER_UNIT_DIR="$HOME/.config/systemd/user"
PORT=12435

install() {
mkdir -p "$USER_UNIT_DIR"
ln -sfn "$UNIT_FILE" "$USER_UNIT_DIR/$UNIT.service"
systemctl --user daemon-reload
echo "installed: $USER_UNIT_DIR/$UNIT.service -> $UNIT_FILE"
}

ensure_installed() {
[[ -e "$USER_UNIT_DIR/$UNIT.service" ]] || install
}

start() {
ensure_installed

# 撞車檢查: port 與 GPU0

if ss -tln 2>/dev/null | grep -q ":$PORT "; then
echo "FATAL: port $PORT 已被佔用 (strata 或其他腦在跑)。先停對方再啟動本腦。" >&2
exit 1
fi
local gpu0_free
gpu0_free=$(nvidia-smi --query-gpu=memory.free --format=csv,noheader,nounits -i 0 2>/dev/null || echo 0)
if (( gpu0_free < 20000 )); then
echo "FATAL: GPU0 剩餘 ${gpu0_free}MiB < 20G，載不進來 (推測有腦已佔卡)。" >&2
exit 1
fi
systemctl --user start "$UNIT.service"
echo "starting... (warmup 約 2 分鐘)  觀察: $0 logs"
}

status() {
systemctl --user status "$UNIT.service" --no-pager 2>&1 | head -12
curl -s -m 4 "http://127.0.0.1:$PORT/health" && echo || echo "(health 未 responding — 可能仍在 warmup)"
}

case "${1:-}" in
install) install ;;
start)   start ;;
stop)    systemctl --user stop "$UNIT.service" ;;
status)  status ;;
logs)    tail -n "${2:-40}" "$DIR/logs/serve-12435.log" 2>/dev/null || echo "(尚無 log)" ;;
*) echo "用法: $0 [install|start|stop|status|logs]"; exit 1 ;;
esac
[/code]

[b]infernix-qfn-12435-prd.service[/b]
[code]
[Service]
Environment=CUDA_VISIBLE_DEVICES=0
Environment=PATH=/usr/local/bin:/usr/bin:/bin
WorkingDirectory=/home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn
ExecStart=/home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/AIEngine/infernix-serve /home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/AIModel/Qwen3.8-Flash-Next-NVIDIA-NVFP4-Dense8-Infernix-00001-of-00003.infernix --ngram-volume /home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/AIModel/Qwen3.8-Flash-Next-NVIDIA-NVFP4-Infernix.ngram --host 0.0.0.0 --port 12435 --device 0 --expert-ram-mib 40960 --rope-yarn-factor 1 --max-context 131072 --prefill-chunk 4096 --kv-dtype nvfp4 --max-concurrency 4 --vision --spec mtp --draft-tokens auto --spec-min-p 0.5 --lm-head-draft --model-id qwen38-nvfp4-mtp --pending-timeout-ms 180000 --request-log-jsonl /home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/logs/requests.jsonl --log-level info

# --draft-model /home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/AIModel/Qwen3.8-Flash-Next-DFlash2-Infernix.infernix  (dflash2 用；需 --spec dflash2)

StandardOutput=append:/home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/logs/serve-12435.log
StandardError=append:/home/alpha/Applications/AISystem/PRD/infernix_tp1_nvfp4/start_infernix_tp1_qfn/logs/serve-12435.log
Restart=on-failure
RestartSec=5
TimeoutStartSec=900
[/code]
]]>https://lcz.me/post/28076https://lcz.me/post/28076Tue, 27 Oct 2026 04:00:58 GMT