Strata RDNA3 fork：安装、调优与 32K–256K 性能实测

机器：llm-server / 192.168.2.6 ｜ 日期：2026-10-29 ｜ 引擎：nicejunjie/Strata-rdna3 @ PR #1（309f0c8f），engine 0.1.43
模型：Swift 1.5 Qwen3.8-Flash-Next GSQ-RCO IQ3_S abliterated（2 shard）+ native pack + MTP draft
GPU：单张 RX 7900 XTX 24 GiB（gfx1100） ｜ CPU：Ryzen 5 3600（6 核 12 线程，Zen 2，无 AVX-512）

0. 摘要

※ baseline 只有 32K，取自本机 2026-10-09 的实测记录（原版 0.1.52）：裸基线 1,502 tok/s，加上
--prefill auto:32768 + STRATA_PF_FUSED/GEMM/SWITCH_MIN_T + --spec-min-p 0.7 这套优化后 1,696 tok/s；
decode 同机历史日志 67–70 tok/s。上表的倍数按 1,696 / 70 计算。

一句话：同一台机器、同一个模型，只把引擎换成 fork 并按它的预设调参，prefill 大约翻倍，decode 约 +44%；
32K 的 prefill 达到参考帖子（Ryzen 9 3900X 上 3,529 tok/s）的 99.5%，decode 超过它（88.1）。

1. 测试环境

硬件

软件

2. 安装（只讲 fork 本体）

下面的步骤完全不依赖任何外部守护/门卫/代理，就是"把 fork 编出来、跑起来"。
参考目录：/data/llm/strata-rdna3（源码 + build + .venv），引擎产物 build/strata。

2.1 前置条件

sudo apt install -y build-essential python3-venv   # 缺 ensurepip 时 venv 建不起来
ls /opt/rocm/bin/hipcc /opt/rocm/llvm/bin/clang++  # 系统 ROCm 已就位

模型侧需要准备好（fork 不负责下载）：

• GGUF 第 1 个 shard（--native 与 --ple-gguf 都指它）
• native pack（tools/iq_pack.py --gguf <shard1> --out <pack> 生成，含 tokenizer/）
• MTP draft 目录（示例 /data/llm/mtp/rt）
• expert profile（data/expert-profile.bin，与 slot 数匹配）
• 可选：视觉侧车 strata-vision + mmproj（fork 源码里不编这个 exe，见 §3.5）

2.2 取源码（必须用 PR #1，不能用分支头）

git clone https://github.com/nicejunjie/Strata-rdna3 /data/llm/strata-rdna3
cd /data/llm/strata-rdna3
git fetch origin refs/pull/1/head:pr1-avx2safe
git checkout pr1-avx2safe          # = ivanjiang5628:fix/avx2-safe-isa-probe, head 309f0c8f

为什么必须这条 PR：fork 的 IQ3_S/IQ3_XXS 量化核按 -mavx512f/-bw/-vl/-dq/-vnni/-vbmi 编译，
并把 IQ 查找表放在命名空间作用域初始化。在 AVX2-only 的 CPU 上，这个静态初始化会执行 AVX-512 指令
→ 进程启动即 SIGILL。PR #1 把表初始化改成函数内 thread-safe static，并在 GCC 下让这些初始化/探针
以"关闭 AVX-512"的方式编译；运行期仍然按 cpu_avx512_ok() 派发到对应核，AVX2 主机走 AVX2 回退。
实测启动日志会明确写：

strata generate: this CPU has no AVX-512: the expert kernels run on AVX-2 (multi-token for the i-quant gate/up rows)

2.3 Python 环境（cmake / ninja / serve 依赖）

cd /data/llm/strata-rdna3
python3 -m venv .venv
.venv/bin/pip install -U pip
.venv/bin/pip install -r requirements.txt     # 含 cmake 4.4.3、ninja、numpy、jinja2、psutil…
.venv/bin/cmake --version                     # 需要 ≥ 3.24

2.4 rocWMMA（fork pin 的 headers）

curl -sL -o third_party/rocwmma.zip \
  https://github.com/ROCm/rocWMMA/archive/1ab208f49945c38626b79e3f0c284d65ac44a781.zip
unzip -q third_party/rocwmma.zip -d third_party/_unpack
mv third_party/_unpack/rocWMMA-1ab208f4* third_party/rocwmma
ls third_party/rocwmma/library/include/rocwmma/rocwmma.hpp

不要图省事用 /opt/rocm/include（那是 ROCm 10.1 自带的版本，与 fork pin 的不同源）。

2.5 配置与编译

R=/opt/rocm
export HIP_PLATFORM=amd ROCM_PATH=$R HIP_PATH=$R
.venv/bin/cmake -S . -B build -G Ninja \
  -DCMAKE_BUILD_TYPE=Release \
  -DSTRATA_ENABLE_HIP=ON \
  -DSTRATA_PREFILL_MMQ=ON \
  -DSTRATA_MMQ_KQUANTS=ON \
  -DCMAKE_HIP_ARCHITECTURES=gfx1100 \
  -DCMAKE_HIP_COMPILER=$R/llvm/bin/clang++ \
  -DCMAKE_HIP_COMPILER_ROCM_ROOT=$R \
  "-DCMAKE_HIP_FLAGS=--rocm-path=$R --rocm-device-lib-path=$R/lib/llvm/amdgcn/bitcode" \
  -DSTRATA_ROCWMMA_INCLUDE_DIR=$PWD/third_party/rocwmma/library/include \
  -DSTRATA_BUILD_TESTS=OFF
.venv/bin/cmake --build build -j8
./build/strata --version        # -> strata 0.1.43

实测代价：configure 约 99 s（会下载 pin 的 llama.cpp），-j8 编译 313 个目标约 4 分钟，目录合计 1.5 GB。

2.6 运行

fork 的 API 层是自带的 serve/server.py（0.1.43），需要一个 JSON 配置：

{
  "exe": "/data/llm/strata-rdna3/build/strata",
  "args": [
    "--pack", "/data/llm/packs/swift-iq3_s_abliterated",
    "--native", "/data/llm/models/…abliterated-IQ3_S-00001-of-00002.gguf",
    "--ple-gguf", "/data/llm/models/…abliterated-IQ3_S-00001-of-00002.gguf",
    "--expert-profile", "/data/llm/strata/data/expert-profile.bin",
    "--expert-cache", "auto",
    "--prefill", "auto", "--spec", "4", "--spec-min-p", "0.5",
    "--mtp", "/data/llm/mtp/rt", "--max-context", "262144", "--mtp-window", "4096",
    "--kv", "int8", "--vram-reserve-mib", "768",
    "--ple-io", "direct", "--stats", "--ple-row-cache", "1048576",
    "--kv-resident", "32768", "--pcie-frac", "0", "--pool-workers", "6",
    "--mtp-q4", "all", "--vision",
    "--conversation-cache-mib", "2048", "--conversation-cache-slots", "2",
    "--conversation-cache-min-tokens", "2000", "--conversation-cache-min-free-mib", "2048"
  ],
  "cwd": "/data/llm/strata",
  "tokenizer": "/data/llm/packs/swift-iq3_s_abliterated/tokenizer",
  "model_name": "swift-1.5-iq3_s",
  "log": "/data/llm/strata/strata-swift-iq3_s_abliterated.log",
  "lib_dirs": ["/opt/rocm/lib"],
  "port": 8080, "backend": "hip", "host": "0.0.0.0",
  "api_key": "<把 key 写这里，或用 STRATA_API_KEY>",
  "allowed_hosts": ["llm.shaneshou.eu.org"],
  "vision": {
    "exe": "/data/llm/strata/engine/strata-vision",
    "mmproj": "/data/llm/models/mmproj-Swift-Qwen3.8-Flash-Next-BF16.gguf",
    "model": "/data/llm/models/…abliterated-IQ3_S-00001-of-00002.gguf",
    "gpu": false, "max_tokens": 300, "threads": 6
  },
  "env": { /* 见 §3.1 的 42 个开关 */ }
}

启动：

cd /data/llm/strata
LD_LIBRARY_PATH=/opt/rocm/lib HSA_OVERRIDE_GFX_VERSION=11.0.0 \
  /data/llm/strata-rdna3/.venv/bin/python \
  /data/llm/strata-rdna3/serve/server.py --engine strata --config <config.json> --port 8080

启动耗时：页面缓存热时约 45–50 秒；完全冷读那 46.84 GiB 专家 arena 时多约 25 秒
（日志 loaded 46.84 GiB at 1.9 GiB/s）。常驻内存约 55 GB，显存 25.7/24→ 接近占满（见 §5）。

2.7 自检

curl -s http://127.0.0.1:8080/health
# {"status":"ok","max_context":262144,"model":"swift-1.5-iq3_s","images":true,"api_key":true,"loaded":true,…}

curl -s http://127.0.0.1:8080/metrics -H "Authorization: Bearer <key>" | python3 -m json.tool | head -40
# engine.version / pool_workers / expert_slots / kv_resident / conversation_cache_mib 都应等于配置值

启动块里要能看到这几行（说明预设真的生效了）：

this CPU has no AVX-512: the expert kernels run on AVX-2 …
loaded 46.84 GiB at 1.9x GiB/s
6 expert-pool workers + the host thread
expert cache 9286 slots, 17.6 GiB of VRAM
strata serve: prompt chunk auto: 32768 tokens, a 192-slot ring
prefill gemm: hipBLASLt tuning enabled (43 rows, gfx1100, version 100401)
strata: STRATA_HIP_WMMA: the prompt attention on matrix cores on (gfx1100)

3. 调优与参数

3.1 开关总表（fork 单卡预设，42 个环境变量）

GPU_MAX_HW_QUEUES=6                                 # ROCr 硬件队列
STRATA_HIP_WMMA=1 STRATA_SELECT_WMMA=1               # prompt attention + QSA 选择走 WMMA 矩阵核
STRATA_HC_UPMIX=1 STRATA_HEAD_MIX_MULTI=1            # hyper-connection / head mix 融合
STRATA_GR_RDNA=1 STRATA_GR_RDNA_Q8=1 STRATA_GR_RDNA_A8=1
STRATA_GR_FUSED=1 STRATA_GR_INJ_UP=1                 # RDNA hyper-connection int8/int8-act + fused down/up
STRATA_GDN_CHUNKED=1 STRATA_GDN_HEAD=1 STRATA_GDN_CONVL2=1
STRATA_GDN_NOY=1 STRATA_GDN_PP=1 STRATA_GDN_CHUNK_GDV=0   # chunked GDN 递推跑 FP16 矩阵核
STRATA_PF_FUSED=1 STRATA_PF_GEMM=1 STRATA_PF_F16=2
STRATA_PF_HCDOWN=1 STRATA_PF_PAD=1 STRATA_PF_GROUP_RES=1   # prompt 路径的融合/分块
STRATA_PREFILL_AUTO_MAX=32768 STRATA_PREFILL_RING=192
STRATA_PREFILL_CPU_SHARE=auto STRATA_PREFILL_CPU_SHARE_MAX=6144
STRATA_PREFILL_MMQ_TILE_ROWS=32                      # prompt 分块与 CPU/GPU 分工
# 另配命令行：--ple-io direct --ple-row-cache 1048576  # PLE 直读 + 行缓存
STRATA_QFUSE=1 STRATA_PA_FAST=1 STRATA_PA_KLDS=1 STRATA_KV_HOST_DMA=1
STRATA_COMBINE_CPU=1 STRATA_WAIT_FUSE=1 STRATA_ROUTE_PUBLISH=1 STRATA_VERIFY_QDEDUP=1
STRATA_RDNA_MMVQ_WAVE=3 STRATA_RDNA_Q6K=1 STRATA_STAGER_RING=64
STRATA_PEER_TRANSPORT=host STRATA_SH_STREAM=0
STRATA_HIPBLASLT_TUNING=<repo>/tools/hip/gfx1100-hipblaslt-100401.txt

分组理解（按 fork README 的分类）：

• WMMA 组：STRATA_HIP_WMMA / STRATA_SELECT_WMMA —— prompt 注意力与 QSA 选择走矩阵核，是 prefill 提升的主力。
• GDN 组：STRATA_GDN_* —— 把串行的门控递推改成分块矩阵乘。
• GR/fuse 组：STRATA_GR_* / STRATA_WAIT_FUSE / STRATA_ROUTE_PUBLISH / STRATA_COMBINE_CPU —— decode 侧的融合与同步削减。
• PF 组：STRATA_PF_* + PREFILL_RING + CPU_SHARE* —— prompt 的分块、CPU 参与度和流水线环深度。

这套值是 fork 作者在 Ryzen 9 3900X + 125 GiB 上量出来的，本机几乎照抄即可，只有 --pool-workers 必须改。

3.2 关键调优：--pool-workers 必须按物理核算

帖子用 --pool-workers 12（他那台 3900X 是 12 物理核，1:1）。本机只有 6 物理核，照抄后引擎日志是：

12 pool workers on logical processors 1,2,3,4,5, the host thread on 0     ← 12 个 worker 挤在 5 个逻辑核上

后果是 decode 掉 25%（TG 70.2 → 95–101），而 prefill 几乎不受影响（长批次吞吐型）。实测（同机同日、每改一次重启）：

规则：pool workers ≈ 物理核数（SMT 不翻倍），host 线程另算。

3.3 tuning 表必须和 hipBLASLt 配对

引擎按 (架构, hipBLASLt 版本) 双条件校验表，不匹配就直接丢弃、退回普通 hipBLAS（prefill 会掉一大截）。
本机 hipBLASLt 1.4.x →gfx1100-hipblaslt-**100401**.txt。fork 六套自带 config 里写的是 100200
（配它 pin 的 TheRock ROCm 7.10 轮子），抄到本机会失效。启动日志确认方式：

prefill gemm: hipBLASLt tuning enabled (43 rows, gfx1100, version 100401)

3.4 显存 / 内存预算（本机实测）

相关参数：

• --kv-resident 32768：把 262144 个 KV cell 中的 32768 常驻显存，其余留在 pinned RAM（3.09 GiB）。这是 decode 的关键项。
• --vram-reserve-mib：本机取 768（预设 512）。给视觉侧车和驱动留余量；代价是少约 130 个专家槽（1.4%）。
• --conversation-cache-*：host RAM 的会话停放，按 §3.4 的值给，别照抄 6144/3，否则会和 55 GB 常驻一起把内存吃穿。

3.5 视觉（vision）怎么做

fork 0.1.43 的 CMake 没有 strata-vision 目标，但它的 serve/server.py 完整支持视觉侧车协议
（stdin 的 ENC <image> <out>、stdout 的 READY）。因此可以复用另一份安装编出的 strata-vision：

"args": [ …, "--vision" ],
"vision": { "exe": "/path/to/strata-vision", "mmproj": "…mmproj…gguf", "model": "…shard1…gguf",
            "gpu": false, "max_tokens": 300, "threads": 6 }

本机实测（用 0.2.7 编的 strata-vision 配 fork 引擎）可以正常识图：发一张红方块+蓝圆形的 PNG，
返回「一个红色正方形和一个蓝色圆形」。注意 --vision 必须显式写进 args，否则 serve 里有兜底逻辑会补，
但配置里若只有 vision 段而无 --vision，旧版本会报 "started without the vision encoder"。

3.6 实测过、确认无效或不要做的

• --resident-experts：默认模式本来就把全部专家常驻 RAM，加了是退化（历史实测 1,093 vs 1,504 tok/s）。
• STRATA_SCORES_THREAD：0.1.44+ 才有的开关，fork（0.1.43）源码 0 命中，设了静默无效。
• 调 GPU 频率/功耗上限：decode 期间 pp_dpm_sclk 始终在最高档（2482–2549 MHz）、温度 56–57 °C、gpu_busy=100%，
  不是瓶颈；gpu-power-limit.service 把上限压到 294 W（默认 327 W）也未影响结果。
• CPU boost：本机 /sys/devices/system/cpu/cpufreq/boost = 0，CPU 卡在 ~3.95 GHz。这是尚未利用的余量，
  可在测完后另行评估（改它属于系统级调优，不在本文范围）。

4. 性能测试

4.1 方法

• 协议来自 fork 的 PR 基准与官方 bench_prefill.py：256 token 输出、temperature=0、top_k=1、top_p=1、
  min_p=0、seed=42、关闭思考（reasoning_effort=none）、串行单请求。
• 每一档：1 发同尺寸暖机 + 1 发测量（用户要求每档只测一次；暖机是为了避免"最先测的那档吃到最冷的
  expert cache"，导致看起来长 prompt 更快）。
• 数字全部取引擎自己返回的 timings.prompt_per_second（PP）与 timings.predicted_per_second（TG），
  不依赖客户端计时。
• 每发用不同随机盐生成全新文本，校验 cache_n == 0（无前缀复用）。
• 256K 档受 max-context 262144 限制，实测 prompt 260,002 token（还要留 256 个输出位）。
• 脚本：/data/llm/strata-rdna3/sweep.py，原始结果 /data/llm/strata-rdna3/sweep-20261029.json。

4.2 结果（fork，本次实测）

引擎原始日志（可直接核对）：

prompt  32045 tokens = 0 reused + 32045 read in  … ms (3511.0 tok/s), 256 generated (100.6 tok/s)
prompt  64038 tokens = 0 reused + 64038 read in  … ms (3570.5 tok/s), 256 generated (106.6 tok/s)
prompt 131056 tokens = 0 reused + 131056 read in 36395 ms (3600.9 tok/s), 256 generated in 2529 ms (101.2 tok/s)
prompt 260002 tokens = 0 reused + 260002 read in 77933 ms (3336.2 tok/s), 256 generated in 2679 ms ( 95.5 tok/s)

4.3 与原版（baseline）对比

baseline 只有 32K 档（原版 engine 0.1.52、同一台机器、同一模型、2026-10-09 实测）：

• prefill：2.07×（对裸基线 2.34×）
• decode：1.44×

作为横向参考，PR 作者在自己那台（Ryzen 9 3900X / 125 GiB / 同样单卡 7900 XTX）上测得
32K 3,529 tok/s / 88.1 tok/s；本机 prefill 达到其 99.5%，decode 更优（100.6 vs 88.1）。

4.4 数据怎么读

1. prefill 随长度先升后降：32K→128K 从 3,511 涨到 3,601（请求固定开销被摊薄、分块更满），
   到 256K 回落到 3,336（KV 只有 32768 个 cell 常驻显存，更长的上下文要流式搬 KV）。
2. decode 随长度缓降：32K/64K 在 100–107 之间，128K 101，256K 95.5 —— 上下文越长，每 token 要读的 KV 越多。
3. 草稿命中率稳定在 75–82%（166/212 … 168/204），说明 MTP 抽头在长上下文下没有退化。
4. 这些是吞吐数字，不是质量结论：WMMA/GDN/GR 路径用 FP16 操作数、改了舍入，fork 自己也声明
   "Do not infer model quality from kernel parity or throughput measurements"。真实任务质量需另行验证。

5. 已知限制与注意事项

1. 非 bitwise 等价：融合核改变舍入，速度可信、质量要另测。
2. 显存几乎占满：25.7/25.75 GiB，空闲 350–600 MiB，低于配置的 512/768 MiB 保留，引擎会按请求打警告。
   想跑更长会话要下调 --kv-resident 或抬 --vram-reserve-mib（两者互相挤）。
3. 内存紧张：常驻 55 GB / 62 GB。同一台机器不能再跑第二个实例；会话停放缓存只能给 2048 MiB。
4. fork 0.1.43 的 API 层比 0.2.x 少两个端点：/v1/images/generations、/v1/telemetry；
   聊天/补全/Anthropic messages/responses/models/status/health/metrics/mcp/props/slots 都有。
   不能用 0.2.x 的 serve/server.py 去驱动 0.1.43 引擎（实测启动死锁：引擎在 pipe_read 等命令，
   新版 serve 在等旧引擎不会打印的就绪标记）。
5. 别用 SIGKILL 杀引擎：实测会在 amdgpu 里留下孤儿内存（曾出现 23.9 GB 匿名页 + 5.94 GiB 显存无法回收，
   只能重启；amdgpu_gpu_recover 写入会报 I/O error）。用 SIGTERM/正常 stop。
6. AVX2-only 必须走 PR #1：用分支头会在启动时 SIGILL。
7. PCIe 只跑在 3.0 x16（主板限制）——本机 prefill 仍达到参考机器的 99.5%，说明该链路不是当前瓶颈。

6. 复现命令清单

# 1) 源码（PR #1）
git clone https://github.com/nicejunjie/Strata-rdna3 /data/llm/strata-rdna3
cd /data/llm/strata-rdna3 && git fetch origin refs/pull/1/head:pr1-avx2safe && git checkout pr1-avx2safe

# 2) 工具链
python3 -m venv .venv && .venv/bin/pip install -U pip && .venv/bin/pip install -r requirements.txt

# 3) rocWMMA（pin）
curl -sL -o third_party/rocwmma.zip https://github.com/ROCm/rocWMMA/archive/1ab208f49945c38626b79e3f0c284d65ac44a781.zip
unzip -q third_party/rocwmma.zip -d third_party/_unpack && mv third_party/_unpack/rocWMMA-1ab208f4* third_party/rocwmma

# 4) 编译（见 §2.5 的完整 cmake 命令），产物 ./build/strata

# 5) 起服务（见 §2.6：config.json + serve/server.py）

# 6) 测速（本次 32/64/128/256K 用的脚本）
python3 /data/llm/strata-rdna3/sweep.py            # 结果写 sweep-20261029.json
BENCH_BASE=http://127.0.0.1:8080 BENCH_MODEL=swift-1.5-iq3_s \
  python3 /data/llm/strata-rdna3/bench.py          # 32K、warmup+3 发的中位协议

好勁呀 ! 等我都抄一抄先, 以下係雙7900 xtx嘅測試:

硬件

Fork 設定

單位：tokens／秒。

雙 GPU 測試結果

学习了，刚把双卡R9700出掉，换成了双卡7900XTX，等到货就试试

@Eric-Seto 可以在优化一下，双7900XTX的262K上prefill上6000是没有问题的

@mudfox 怎么r9700 卖掉？ 现在应该最强amd 消费级卡

@懒人烘培
哥，能给兄弟们单出一篇帖子吗？我让deepseek抄作业，一直抄不明白，就卡在5000死活上不去了