让本地27B(或任意)模型数学从只有92.7% 准确到工程可靠！可用！
-
-
-
請問妳在驗證時模型 temperature top_k top_p 是設多少？ 謝謝
查了脚本、服务端参数和模型自带配置这三处：
实际使用的参数
位置 temperature top_p top_k 测试脚本（27 题 / 110 题 / 70 题） 0 未传 未传 服务端启动参数 0.7 0.95 20 模型自带 generation_config.json1.0 0.95 20 客户端显式传入
temperature: 0，这个值会覆盖服务端的 0.7；top_p和top_k没有传，因此沿用服务端 override 的 0.95 / 20；--seed 42一直固定使用。但实际效果上，只有
temperature=0在起作用在 vLLM 中，当
temperature=0时走的是 argmax（贪心）路径，top_k和top_p虽然设置过，但不参与采样——所以那 27 道题是确定性解码，不是“用固定随机种子跑出来的采样”。这样设置的理由是：要测的是模型“会不会算”，而不是“是否抽到正确的 token”。如果使用 0.7 采样，同一道题跑两次可能会得到不同答案，那么测出来的数就不是模型能力，而只是运气。
温度是零，所以这已经是能做的最确定的测试了。总归就是大模型乱说这个事情和它的根本原理有关，而不是它的性能。越好的模型只是胡说的概率会小，但是并不会消失，定性的来说是这样。
-
-
-
@fcme 之前和ai分析，他认同在moe而且只在几家模型上有闲置资源占满的优势，我追问，那么是划分系统资源部分把cpu算力和其他资源的一部分用来优化推理算力需求吗，他的回答是，不是部分，是全部可用资源，也没有预留的工程安全冗余设置，而且不算是优化是劣化，因为其他资源作为算力占满不能作为工程环境依赖，在实际工程中会占满甚至发生硬件资源分配的拥堵。他的实际意义在于可以用更低的显存拉起更大的几款moe型模型，用来展示可以，看我能跑，看我多快，而对于稠密型模型几乎没什么提升价值还带来了参数适应调试成本。你的实战进一步印证了这些推理不是幻觉，我不测了，改个推理引擎也挺累的，谢谢
-
@fcme 之前和ai分析，他认同在moe而且只在几家模型上有闲置资源占满的优势，我追问，那么是划分系统资源部分把cpu算力和其他资源的一部分用来优化推理算力需求吗，他的回答是，不是部分，是全部可用资源，也没有预留的工程安全冗余设置，而且不算是优化是劣化，因为其他资源作为算力占满不能作为工程环境依赖，在实际工程中会占满甚至发生硬件资源分配的拥堵。他的实际意义在于可以用更低的显存拉起更大的几款moe型模型，用来展示可以，看我能跑，看我多快，而对于稠密型模型几乎没什么提升价值还带来了参数适应调试成本。你的实战进一步印证了这些推理不是幻觉，我不测了，改个推理引擎也挺累的，谢谢
@范志刚
对这个AI说的很到位，Strata本质上是llamacpp的魔改版本。所以最最最核心的缺点还是继承了llamacpp的，只是在资源调度方面做了大量的文章。分家分层加载的可以抽象为在显存里开了个小一点的稠密模型的同时还能借用一点点，开在显存里的储存更多不常用知识的调用频率（对应专家未命中率）很低的大型的稠密模型。
所以我把我的Strata优化到冒烟以后发现GPU和CPU的占用都很高，如图：
所以从原理上他就不适合跑稠密模型，因为稠密模型无法切块，而MoE可以抽象成俩分块的稠密。
-
@范志刚
对这个AI说的很到位，Strata本质上是llamacpp的魔改版本。所以最最最核心的缺点还是继承了llamacpp的，只是在资源调度方面做了大量的文章。分家分层加载的可以抽象为在显存里开了个小一点的稠密模型的同时还能借用一点点，开在显存里的储存更多不常用知识的调用频率（对应专家未命中率）很低的大型的稠密模型。
所以我把我的Strata优化到冒烟以后发现GPU和CPU的占用都很高，如图：所以从原理上他就不适合跑稠密模型，因为稠密模型无法切块，而MoE可以抽象成俩分块的稠密。
-
@paul-hou
对，这个框架用多了，它的局限性就逐渐显现出来了，而且是无法克服的那种。
他爱开子代理，如果子代理给其他的大模型也还好，本地运行的话，基本上都只有一个模型在跑，所以就是很频繁的卡死。我之前针对strata的冒烟优化，就是着力挖掘了它的缓存方面的潜力，让单流处理的时候，时间尽量缩短来缓解这个问题，但是最后还是无解的。以后需要质量高一点的时候，直接调用云端API就好了，他和27比真的没有差那么多。至少是咱们运行的量化版本来说。 -
@paul-hou
对，这个框架用多了，它的局限性就逐渐显现出来了，而且是无法克服的那种。
他爱开子代理，如果子代理给其他的大模型也还好，本地运行的话，基本上都只有一个模型在跑，所以就是很频繁的卡死。我之前针对strata的冒烟优化，就是着力挖掘了它的缓存方面的潜力，让单流处理的时候，时间尽量缩短来缓解这个问题，但是最后还是无解的。以后需要质量高一点的时候，直接调用云端API就好了，他和27比真的没有差那么多。至少是咱们运行的量化版本来说。 -
-
@paul-hou
我让27b翻了一下我的调试记录，关键点在于你pcie的速度，而且并发的时候总速度反而会掉，你可以做个参考，如下：找到了。完整记录在会话
session-4ec38542（标题：R9700-Strata-调优全记录），2026-10-26 当天实测。以下是搬出来的原始数据：
Radiance Flash-Next 实测数据（2026-10-26，单卡 R9700，204800 窗口，4096 chunk，MTP=4，fp8 KV）
项 数值 prefill 8.9K / 33K / 134K 1,077 / 1,303 / 1,339 tok/s TTFT 同上 8.3 / 25.9 / 100.6 s decode（temp 0.7，400 tok） 55.9 / 63.0 tok/s decode（贪心） 57.9 tok/s decode（temp 0.7，多轮） 41.6 / 40.3 tok/s decode @125K 上下文 34.9 tok/s 并发 2 / 4 聚合 31 / 50 tok/s 同对话追问（命中 12,288 tok 前缀） TTFT 1.53 s 冷启首轮 25 tok/s（必须预热） 启动日志关键量：专家 17.31 GiB 显存 + 43 GiB pinned 主机池；KV 4.86 GiB；PLE(n-gram) 表 47.68 GiB 在磁盘（内存装不下）；模型总文件 113.6 GiB。
为什么放弃（三条硬理由）
1. 链路硬顶，prefill 被 PCIe 3.0 卡死
R9700 上游链路被降级到 Gen3 x16（宿主
LnkSta: 8GT/s (downgraded)），GPU 空载 2 GiB 大页拷贝实测 13.8 GB/s。Radiance 的架构是每步把 43 GiB 专家池从主机内存搬过 PCIe，算下来 PP ≈ 14 GB/s ÷ 11.3 MB/token ≈ 1,240 tok/s——与实测 1,300 完全吻合。官方 2,545 tok/s 是 Gen4/5 平台的成绩，你这台 Dell 7820（Xeon Gold 6252，PCIe 3.0）物理上到不了。2. 内存模型撑不住并发和缓存
43 GiB pinned 池把内存吃死，只剩 6–9 GB 给对话缓存——8 条对话缓存根本开不了，SSD session 也不支持。而 Strata 只用 ~40 GiB 匿名内存 + 页缓存，剩 16 GB，才装得下 6 GiB / 8 槽的对话缓存 + SSD session。
3. 同卡对比 Strata 全面胜出
项 Radiance Strata（同卡同窗口） prefill 1,300 2,250–2,336（1.8×） decode 57–63 116–122（adapt-every 1） 8 槽对话缓存 
0.54 s 热态SSD session 可用内存 6–9 GB ~16 GB 附带现实约束：当时
/data池只剩 36 GB，Radiance 的 113.6 GB 模型必须删掉才装得下 Strata 的 81 GB 权重——只能二选一，不是偏好。
一句话总结：Radiance 的架构（专家每步过 PCIe）在你这台 PCIe 3.0 宿主上被链路带宽锁死，prefill 天花板 ~1,300、decode ~60，而 Strata 把专家算在 CPU/常驻显存，同卡直接翻倍。模型已删，要复核需重新下载 113.6 GB。
-
-
-
我用strata 用到很开心呢..
只是我有另一张卡跑子任务 -
@applejuice
不瞒你说，你说的这个想法我也试了。你另一张卡用的什么跑的什么模型？我是把另一张5070ti让他跑27b给qfn调用子代理的时候去用，结果翻车了。一来有那个派任务和验收的开销，二来5070Ti跑27b本来就不快，pp也就才1100左右，tg的话在三四十，算下来还不如用本体Strata跑呢，尴尬死了。 -
@fcme 我两张3090跑strata prefill 4.5k 以上
r9700 跑27b 2.5k prefill
现在主模型 等待时间比较长 利用率有点低 -
@applejuice
你是多卡狂人，比不了比不了
-
-
