先说明口径： 这是 GPU0 单卡上的 Strata，虽然机器装了两张 7900 XTX，GPU1 还运行另一个 27B llama 服务，但本次并非 TP=2，也不是两卡聚合吞吐。数值取自引擎返回的 timings，不是客户端墙钟；最终成绩是在预热后测得，冷启动第一发明显较慢。

一、硬件和运行环境
项目 配置
CPU Xeon E5-2696 v3，18 核 / 36 线程
主板 华南金牌 X99-TF GAMING
内存 128 GB DDR3-1866 RECC，四通道
GPU 2 × RX 7900 XTX 24 GB（gfx1100）；本次 Strata 仅使用 GPU0，GPU1 另跑 27B llama 服务
系统 Ubuntu 24.04.5 LTS，内核 7.0.0-38-generic
ROCm 7.2.0
引擎 Strata 0.1.50，rx7900 variant，f-amd-vision commit 6270e2d9d6bf
hipBLASLt 引擎自带库版本 100200
模型 Qwen3.8-Flash-Next GSQ-RCO IQ3_S，双 shard（--native + --ple-gguf）
上下文 262,144，--kv int8 --kv-resident 32768
专家内存策略 --ple-io ram --expert-cache auto
其余基线参数 --pool-workers 30 --vram-reserve-mib 3072 --prefill auto:32768 --spec 4 --spec-min-p 0.5
模型加载约 2.5 分钟，峰值内存约 104 GB。128 GB 内存并不宽裕，但这套配置能跑。

二、怎么测，避免缓存和预热干扰
先用约 500 词的小 prompt 热身，再送入约 10.2K token 的长 prompt 预热，然后用相同长度的请求正式测试。
每调整一组配置，通过 systemctl restart strata-next 重启服务；每组连续跑三次，以中位数记成绩。
Prefill 用引擎 timings.prompt_per_second（PP），Decode 用 timings.predicted_per_second（TG）；不是前端看到的整体响应速度。
测试在同一天、同一台机器上完成，后台没有下载任务。这里的对照仍是单机实测，不代表其他 CPU、内存及模型配置也有相同收益。
注意：自适应缓存会随着连续请求逐步进入较好的状态。因此这份帖子里的“最终成绩”是预热后的吞吐，不是重启服务后第一发吞吐。

三、逐组调参结果（10.2K token prompt）

以上是各阶段的测量记录，不是一张所有参数逐项独立控制的消融表；中间测试后有些选项已经回退，不能把每行简单理解为在上一行基础上永久叠加。

1. 最大的收益来自自适应专家缓存这一组
   在自适应参数尚未打开时，Decode 基本在 64–69 tok/s 附近。加入下面这组设置后，预热后的速度上到了 103–108 tok/s：

--adapt-every 1 --adapt-swaps 160 --adapt-decay 0.97

引擎日志里能看到专家缓存命中率约 94.8%–99.8%。从现象看，自适应缓存能更及时地调整 VRAM 中的热专家，减少重复搬运，正好对上这台 X99 + DDR3 的瓶颈。
严格说： 这三个参数是一起加入的，没有分别拆开测试 adapt-every、adapt-swaps 和 adapt-decay。所以能确定的是开启这组自适应缓存设置后，Decode 显著提升；不能把 +58.4% 全部精确归因于其中某一个参数。
2. 自适应缓存必须看预热后的成绩
最终配置在同一服务中连续六发的 Decode：

只测第一发会低估效果。反过来，比较不同参数时，也应尽量采用一致的预热方法，否则很容易把缓存状态误当成性能差异。

3. Prefill 的提升相对有限
Prefill 从 2,095 到 2,220 tok/s，约 +6.0%。主要调过三个地方：

# STRATA_HIPBLASLT_TUNING 应指向实际存在且版本匹配的调优表文件
STRATA_HIPBLASLT_TUNING=/实际路径/gfx1100-hipblaslt-100200.txt
STRATA_PF_SWITCH_MIN_T=4096
STRATA_IO_THREADS=32

这里的 /实际路径/ 是占位符，请替换为自己机器上的真实文件位置，不是直接可执行的完整配置。三项共同调整后的阶段成绩是 2,198 tok/s，后续其他参数调整后最终为 2,220 tok/s。没有逐项单测这三个参数各贡献多少。
原先把 STRATA_HIPBLASLT_TUNING 写成了 "1"，并不是有效表路径；引擎没有明显报错，导致排查方向一度跑偏。调优表名称中的 100200 要与这套引擎自带的 hipBLASLt 版本对应，不能只看系统 ROCm 版本。

4. pool-workers 不一定越接近物理核数越好
这台 E5 是 18 核 36 线程。我试着把 --pool-workers 从 30 降到 18，Decode 从 68.9 跌到 63.8 tok/s，反倒更慢。最后仍使用 30。
所以论坛里关于 worker 数量的经验可以参考，但不能只根据 CPU 的物理核数直接照搬，尤其是 X99 + DDR3 + CPU 侧专家流这种组合。

四、128K 长上下文单次结果
最终配置测了约 127K token 输入、64 token 输出：
指标 实测
Prefill 3,007 tok/s
Decode 82.9 tok/s
单发墙钟 43.0 s
这一档没有做修改前的同口径基线，因此只分享最终配置的绝对性能，不计算“128K 提升百分比”。而且只测了一发，属于趋势参考，不宜当成稳定的多轮均值。
还试过 STRATA_SCORES_THREAD=1：在本机 128K 测试里开关两边的数值区间约 2,956–3,024 tok/s，暂未看到可辨认的收益，就删掉了。

五、哪些参数可以参考，哪些不要照抄
这次是原版 Strata 0.1.50 的 rx7900 variant。参考论坛其他作者的调优帖时发现，一些变量只存在于他们自编译的 RDNA3 fork，本机这个二进制并没有对应实现。
类型 参数或变量 本机结论
本轮收益最明显 --adapt-every 1 --adapt-swaps 160 --adapt-decay 0.97 组合开启后，热态 Decode 显著提升
有一定收益 正确 hipBLASLt 调优表、STRATA_PF_SWITCH_MIN_T、STRATA_IO_THREADS 组合调整后 Prefill 有小幅提升
本轮无明确 Decode 收益 --lookup-chain、--ple-row-cache、GPU_MAX_HW_QUEUES、--mtp-window 不建议期待通用加速
本轮未见收益 STRATA_SCORES_THREAD=1 删除
测试后回退 --pool-workers 18 比 30 慢
以下 10 个变量在本次使用的 0.1.50 二进制中未找到对应字符串，属于参考帖中 RDNA3 fork 的实现路径，不要直接把它们塞进原版配置后期待生效：

STRATA_RDNA_MMVQ_WAVE
STRATA_PF_GROUP_RES
STRATA_PREFILL_MMQ_TILE_ROWS
STRATA_GDN_CHUNK_GDV
STRATA_PA_KLDS
STRATA_COMBINE_CPU
STRATA_WAIT_FUSE
STRATA_ROUTE_PUBLISH
STRATA_GR_INJ_UP
STRATA_GR_FUSED

例如论坛里用 STRATA_RDNA_MMVQ_WAVE=3 改 native_mmvq 内核布局得到的 Decode 提升，是自编 fork 的路线；这篇的 +58.4% 则是在当前 Strata 0.1.50 上调整运行参数得到的，两者不要混为一谈。

六、这轮最值得记下来的坑
hipBLASLt 表路径写错会静默降级。 STRATA_HIPBLASLT_TUNING 要写真实路径，文件头版本与引擎库配对；不要写 "1" 当作开关。
不要只看冷启动第一发。 这次自适应缓存首发只有 79.0 tok/s，第二发已到 104.6 tok/s。
worker 数不是按物理核心数拍脑袋。 本机 30 比 18 快。
一次只改一组变量并重启对照。 这台机器跨时段 Decode 本身会波动，混着改参数很难定位收益来源。
别把 RDNA3 fork 参数直接抄进原版二进制。 有些变量对当前构建根本没有作用。

感谢论坛几位作者的测试与资料：
#2745：7900 XTX 单卡 Prefill / Decode 调优，空语；其中 7、14、15 楼还有 Y G 0 的 X99 实测数据。
#2694：双 7900 XTX Strata IQ3_S、262K Prefill，懒人烘培。
#2562：7900 XTX 跑 125B MoE 的 X99 旧平台实测，sbbdog。
Strata 仓库内 docs/AMD_HIP_PERFORMANCE.md、docs/AMD_HIP.md、docs/TROUBLESHOOTING.md。
以上数据都是自己这台机上的测试记录，欢迎用相同口径交流，尤其想看看其他 X99/DDR3 平台上 adapt 的收益是否也这么明显。