X10X99-16D 主板翻车记实录 phase 1

Tony Tong

【交作业】2×4090D 48G + 4080S 32G 三卡异构：双卡摊分 125B IQ3_XXS 131K 常驻，117K prefill 5,287 t/s、decode 133 t/s（Strata 0.2.9，附完整参数与工作数据）

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

0. 机器

项	值
GPU	@01 RTX 4090D 48G（桌面输出 3440×1440 + ComfyUI 专用卡，按需拉起）· @41 RTX 4090D 48G（主 LLM）· @61 RTX 4080S 32G（LLM 副卡），全部 PCIe 直插，无 NVLink
CPU / 内存	AMD Threadripper PRO 5965WX（24C48T）/ 256 GB DDR4-2400（8×32G，专家与 KV 的第二层）
主板 / 系统	ASUS WRX80（BIOS 1801）/ Win10 专业版 22H2
模型	Qwen3.8-Flash-Next-GSQ-RCO-abliterated IQ3_XXS（GGUF 双分片，第二分片是 PLE 专家层，走 `--ple-io mmap`）+ mmproj BF16 视觉塔
上下文	131,072（KV int8），引擎自带视觉输入
功耗墙	350W / 350W / 270W；Ada 算力解锁已做（Tensor FP16/BF16/TF32 近翻倍，decode/INT8 基本不变）

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）：

副卡不给 --vram-reserve-mib 3000 留头，prefill 会撞 OOM（4080S 32G 摊完权重本来就顶）；
钉卡必须用 UUID，桌面插哪张、BMC 排第几都会改变数字编号；
--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；
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）

卡	角色	显存占用	利用率	温度	功耗
@01 4090D 48G	桌面 + ComfyUI 按需	189 MiB	0%	33.6℃	20W
@41 4090D 48G	主 LLM	34.2G	16%	49.1℃	108W
@61 4080S 32G	LLM 副卡	27.9G	26%	44.8℃	63W

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）

prompt	prefill t/s	首字
2.3 K	2,631	0.86 s
11.8 K	4,148	2.85 s
47.4 K	4,463	10.62 s
116.7 K	5,287	22.08 s

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）。

terry

1，以后发帖要看准版块，别乱发，小的先发现就是封号。
2，发大段文字让AI整理成Markdown代码，不要乱糟糟的。
3，大段文字尽量配图，否则被AI识别为Slop。

Tony Tong

@terry 有個問題手機發圖每次觸發圖片太大，能不能麻煩做一個後端自動壓縮或者app，HTML前端壓縮。每次發圖還要自己壓縮對手機太不友好。

terry

有APP啊，安卓可以自己安装，苹果还在测试。图片压缩我研究下，放到APP中去。在网页端也可以做，不过这几天忙，真题是可以系统处理下。

Nina Chowdhry

这么豪的卡，就跑这个，太浪费了吧

terry

@Tony-Tong APP已经上架，https://lcz.me/app 苹果和安卓都已经上线，手机操作使用APP即可。

抡锤者