日期：2026-10-31 ｜ Strata 0.2.9（build 0.1.55）｜ driver 621.01 / CUDA 13.5 ｜ Win10 22H2

0. 机器

1. 部署

双卡摊分：主卡 4090D 驻主权重（34.2G），副卡 4080S 摊专家层（27.9G）。CUDA_VISIBLE_DEVICES 按 GPU UUID 钉卡——这机器三张实卡 + BMC 虚拟显卡，数字顺序必漂移。

引擎参数（全）：

--native <IQ3_XXS-00001.gguf> --ple-gguf <IQ3_XXS-00002.gguf>
--expert-profile <expert-profile.bin> --expert-cache auto --prefill auto
--spec 4 --spec-min-p 0.5 --mtp <mtp/rt>
--max-context 131072 --kv int8 --kv-resident 32768
--vram-reserve-mib 3000 --pool-workers 15 --pool-affinity auto
--vision --ple-io mmap

env: STRATA_RESIDENT_PIN=1, CUDA_DEVICE_ORDER=PCI_BUS_ID, CUDA_VISIBLE_DEVICES=<UUID4090D>,<UUID4080S>

四个坑（都踩过）：

1. 副卡不给 --vram-reserve-mib 3000 留头，prefill 会撞 OOM（4080S 32G 摊完权重本来就顶）；
2. 钉卡必须用 UUID，桌面插哪张、BMC 排第几都会改变数字编号；
3. --kv-resident 32768 + RESIDENT_PIN=1 + 256G 内存，专家缓存零分页，这是 131K 不掉的真正原因；
4. ComfyUI 铁律只上桌面卡（4090D@01），永不碰 4080S——两张 LLM 卡的显存图全程干净。

2. 工作数据（今晚快照：LLM 常驻推理 + 桌面静置 + ComfyUI 未拉起）

推理中三卡合计 ~191W；空闲只剩桌面卡 20W。CPU 负载 0%，内存占用 76G/256G（大头是双卡 pinned）；盘 19% / E: 17% / G: 27%。服务：8080 = LLM（131K + 视觉）常驻，ComfyUI 按需非常驻。

3. 实测

方法：自建 Python harness 直打 /v1/chat/completions，temp=0；引擎不返回 llama.cpp 的 timings，全部 wall 口径。防缓存：语料每段嵌唯一页码、每轮换唯一盐，杜绝块级前缀命中虚高。

prefill 随上下文深度（越深越快）

decode 单流（短上下文，生成 146 tok × 3 轮）

112.0 / 143.3 / 143.6，平均 133.0 t/s

深上下文追问：已载入 46K 上下文再生成 300 tok，全程 12.82 s；扣实测 47K prefill 耗时（~10.4 s），深上下文 decode ≈ 122 t/s（推算口径，别和上面短口的 133 混比）。

4. 结论

• 4090D 48G 主 + 4080S 32G 副的 PCIe 异构摊分对 125B IQ3_XXS 很能打：131K 常驻、117K 一口吞 prefill 5,287 t/s、短口 decode 133、深口 ~120，agent 日用完全够——本帖正文就是它写的。
• prefill 随深度涨不降（2.6K → 5.3K），靠的是 256G 内存 + resident-pin 把专家/KV 铺平；小 prompt 那档 2,631 是管道没喂饱，别拿它当基准。
• 4080S 钉 270W 摊副卡几乎无感（推理中仅 63W）。