跳转至内容
  • 版块
  • 最新
  • 标签
  • 热门
  • 用户
  • 群组
皮肤
  • 浅色
  • Brite
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • 深色
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • 默认(LCZ-Blue)
  • 不使用皮肤
  • LCZ-Green
  • LCZ-Blue
  • LCZ-Black
折叠
品牌标识

抡锤者

首页 版块 标签
硬件
装备秀
AI 广场 App
  1. 主页
  2. 版块
  3. LLM讨论区
  4. RTX 50系 Blackwell GPU專屬 QFN加速器 - Basalt + RTX 5070 Ti 體驗

RTX 50系 Blackwell GPU專屬 QFN加速器 - Basalt + RTX 5070 Ti 體驗

已定时 已固定 已锁定 已移动 优秀 LLM讨论区
rtx5070qwen-flashnvidia
30 帖子 8 发布者 2.4k 浏览 1 关注中
  • 从旧到新
  • 从新到旧
  • 最多赞同
回复
  • 在新帖中回复
登录后回复
此主题已被删除。只有拥有主题管理权限的用户可以查看。
  • YDMY YDM

    @kos-or

    為啥不敢跑雙卡??會爆炸??我最近都沒時間玩AI!!
    我自已的STRATA也有重新編譯跑Blackwell sm_120但5070ti 只有sm_70個,所以只有跑70*128=8960(哭打),假日來學一下玩玩看,嘿!!

    kos orK
    kos orK
    kos or
    至尊皇帝
    编写于 最后由 kos or 编辑
    #8

    @YDM

    單卡就坐雲霄飛車的感覺 速度太快了
    雙卡不知道能提速多少

    我都不知道 400 tok/s 怎麼忍受這種速度感 😳
    太刺激了!

    我覺得你的小秘書會受不了 😂

    YDMY 1 条回复 最后回复
    1
    • kos orK kos or

      @YDM

      單卡就坐雲霄飛車的感覺 速度太快了
      雙卡不知道能提速多少

      我都不知道 400 tok/s 怎麼忍受這種速度感 😳
      太刺激了!

      我覺得你的小秘書會受不了 😂

      YDMY
      YDMY
      YDM
      硕果累累 贵族大夫
      编写于 最后由 编辑
      #9

      @kos-or

      剛剛叫gemini幫我下載並參照strata設定,結果出來了!! 血吐滿桌子😰 😰
      還是要假日再玩玩,哈哈😁 😁

      image.jpeg

      imbiplaza ASUSI 1 条回复 最后回复
      1
      • YDMY YDM

        @kos-or

        剛剛叫gemini幫我下載並參照strata設定,結果出來了!! 血吐滿桌子😰 😰
        還是要假日再玩玩,哈哈😁 😁

        image.jpeg

        imbiplaza ASUSI
        imbiplaza ASUSI
        imbiplaza ASUS
        谪仙人
        编写于 最后由 编辑
        #10

        @YDM
        9ts...为什么会这样的

        https://lcz.me/project/dcs

        1 条回复 最后回复
        1
        • R
          R
          rori
          体面乡绅 硕果累累
          编写于 最后由 rori 编辑
          #11

          我的配置是5070TI, 96GB DDR5 RAM, windows11。
          用官方的編譯版本, 試過
          Qwen3.8-FN-NVFP4-DQ8, decode大約70,
          Qwen3.8-FN-UD-IQ3_XXS, decode大約120

          Yu NickolasY 1 条回复 最后回复
          0
          • R
            R
            rori
            体面乡绅 硕果累累
            编写于 最后由 编辑
            #12

            官方有其他用家測試的數據:
            https://github.com/jesdga95/basalt/blob/main/docs/community/benchmarks.json

            1 条回复 最后回复
            0
            • kos orK
              kos orK
              kos or
              至尊皇帝
              编写于 最后由 编辑
              #13

              @ydm

              好像是要下載使用 *.basalt 的LLM
              請小秘書找一下 看下載哪一個版本比較好

              YDMY 1 条回复 最后回复
              1
              • R rori

                我的配置是5070TI, 96GB DDR5 RAM, windows11。
                用官方的編譯版本, 試過
                Qwen3.8-FN-NVFP4-DQ8, decode大約70,
                Qwen3.8-FN-UD-IQ3_XXS, decode大約120

                Yu NickolasY
                Yu NickolasY
                Yu Nickolas
                编写于 最后由 编辑
                #14

                @rori 这个不太高啊,感觉和3090的q4km差不多了

                1 条回复 最后回复
                0
                • kos orK kos or

                  @ydm

                  好像是要下載使用 *.basalt 的LLM
                  請小秘書找一下 看下載哪一個版本比較好

                  YDMY
                  YDMY
                  YDM
                  硕果累累 贵族大夫
                  编写于 最后由 YDM 编辑
                  #15

                  @kos-or

                  交一下作業,但怎麼調都調不到最優解180 tok/s

                  【實測分享】雙卡 RTX 5070 Ti 跑 Basalt + Qwen3.8-Flash-Next (NVFP4-DQ8) 避坑與調校全紀錄:從 50 tok/s 到 109.5 tok/s 滿血實測!

                  🖥️ 測試環境規格

                  • GPU:2x NVIDIA GeForce RTX 5070 Ti (16GB GDDR7 x 2,共 32GB VRAM) PCIE-3.0_(8x_8x)
                  • 驅動 / 系統:Windows 10 / Driver 621.14 / CUDA 13.5 (WDDM 模式)
                  • 系統記憶體:128 GB DDR4 RAM
                  • 推論引擎:Basalt 0.3.2 (原生 Blackwell sm_120 優化)
                  • 測試模型:Qwen3.8-FN-NVFP4-DQ8.basalt (132 GB 原生 FP4 專家 + 8-bit Dense)
                  • 測試工具:Hermes 閘道自動化 16K 基準測速(固定 Prompt 輸入長度:16,490 tokens,連續跑 3 輪取樣)

                  📊 8 輪完整實測數據對比表(16.5K 超長 Context)

                  階段 測試配置 首字延遲 (TTFT) 生成速度 (R1 / R2 / R3) 平均速度 狀態與說明
                  01 單 5070 Ti (純淨預設) 10.86 s 49.3 / 52.5 / 49.5 tok/s 50.45 tok/s 最原始單卡基準
                  02 雙 5070 Ti (純淨預設) 11.11 s 57.7 / 64.6 / 69.2 tok/s 63.86 tok/s 未調校雙卡,顯存自然擴展 (+26.6%)
                  03 雙 5070 Ti (投機加速版) 11.17 s 74.3 / 84.2 / 86.0 tok/s 81.53 tok/s 加入 spec 8 + relaxed 0.65 + tail 7
                  04 雙 5070 Ti (過度激進版) 11.12 s 62.3 / 69.6 / 74.9 tok/s 68.99 tok/s ⚠️ spec 10 窗口過大,驗證回滾負優化
                  05 雙 5070 Ti (q4_0 KV 版) 11.22 s 69.9 / 78.4 / 79.7 tok/s 76.04 tok/s 4-bit KV 省顯存,但 Hadamard 旋轉計算拖累
                  06 雙 5070 Ti (巨型快取版) 12.03 s 77.8 / 109.2 / 107.3 tok/s 98.15 tok/s 鎖定 32K 顯存 KV + 24GB 對話快取,首度破百!
                  07 雙 5070 Ti (終極滿血版) 11.88 s 78.5 / 102.2 / 109.56 tok/s 96.78 tok/s 🏆 王者配置!生成耗時僅 6.4 秒,破全場紀錄!
                  08 單 5070 Ti (神仙參數對照) 20.09 s ⚠️ 66.7 / 86.3 / 87.48 tok/s 80.17 tok/s 單卡套用相同參數,TTFT 暴增至 20 秒!

                  💡 關鍵真相與避坑心得

                  1. 「單卡 180 tok/s」到底是真是假?

                  結論:是真的,但前提是「極短 Prompt」或「輕量量化模型」!

                  • 官方 Benchmarks 資料庫裡跑 180+ tok/s 的,大多是使用 IQ3_S 或 IQ3_XXS。
                  • 如果跑的是完整體 NVFP4-DQ8(132GB 大包),在真實世界的 16.5K 長對話 底下:
                    • 單卡 5070 Ti 極限就是 87 tok/s。

                  2. 雙卡到底差在哪?第二張 5070 Ti 到底值不值?

                  看 測試 7 (雙卡) 與 測試 8 (單卡) 的終極對決就一清二楚:

                  • 首字延遲 (TTFT):雙卡快了整整 8.2 秒!(延遲暴降 41%)
                    • 在 16.5K 長輸入下,單卡只有 16GB 顯存,處理 Prefill 巨量矩陣時擠爆顯存,首字需要乾等 20.09 秒!
                    • 雙卡 32GB 顯存讓矩陣計算與 KV 快取空間完全釋放,TTFT 直接砍到 11.88 秒,省下漫長的等待!
                  • 生成速度:雙卡輕鬆破百(109.56 tok/s)
                    • 單卡頂天只有 87 tok/s,雙卡穩穩衝上 109.56 tok/s(提速 25%),一整篇回答在 6.4 秒內噴完!

                  3. 調校時踩到的三大「負優化地雷」
                  1. spec 投機窗口不是越大越好:
                    • 原廠預設 spec: 8 是黃金平衡點。我們測試改為 spec: 10 時,在 16K 長上下文下猜錯率大增,GPU 整組 Rollback 重算,速度反而倒退回 68 tok/s!
                  2. prefill-cpu-share 在沒有 AVX-512 的 CPU 上是災難:
                    • Basalt 預設會把 60% Prefill 丟給 CPU。如果 CPU 不支援 AVX-512(降級走 AVX-2),長 Prompt 的預處理會極慢,強烈建議設為 "prefill-cpu-share": 0.0 讓 Blackwell GPU 全權處理!
                  3. 善用 128GB RAM,避免頻繁動態伸縮:
                    • 開啟 "kv-resident": 32768(把前 32K KV 焊在顯存)搭配 "conversation-cache-mib": 24576(24GB 對話快取),連續多輪對話時速度會直接從 78 tok/s 暴衝到 109 tok/s!

                  🚀 最終推薦配置:雙 5070 Ti 滿血 JSON 設定

                  這份是目前實測下來速度最快、穩定度最高、在 16K 跑出 109.56 tok/s 的完整 config_nvfp4.json:

                  {
                    "version": 2,
                    "models": [
                      {
                        "alias": "qwen3.8-nvfp4",
                        "model": "D:/basalt/models/Qwen3.8-FN-NVFP4-DQ8.basalt",
                        "gpu": "0,1",
                        "layer-split": "auto",
                        "kv": "int8",
                        "kv-resident": 32768,
                        "max-context": 131072,
                        "spec": 8,
                        "relaxed-drafting": 0.65,
                        "route-tail-skip": 7,
                        "prefill": 32768,
                        "prefill-cpu-share": 0.0,
                        "no-peer-prefill": true,
                        "peer-exclusive": false,
                        "conversation-cache-mib": 24576,
                        "conversation-cache-slots": 8,
                        "prompt-cache": 12,
                        "adapt-every": 2,
                        "adapt-swaps": 80,
                        "adapt-decay": 0.99,
                        "pool-workers": 7,
                        "vision": "dynamic"
                      }
                    ],
                    "engine": {
                      "resident-experts": true,
                      "vram-reserve-mib": 700
                    },
                    "server": {
                      "host": "0.0.0.0",
                      "port": 8080,
                      "allowed-host": ["*"],
                      "cors-origin": ["*"]
                    }
                  }
                  

                  image.jpeg
                  image.jpeg

                  🏆 成績單:qwen3.8-nvfp4 ➔ 90.5 / 100(S- 級・優秀候選)

                  SAFETY_FAIL:✅ 未觸發(卷五安全門禁全過)

                  Module A 物理算力(32K 真盲測,強制 Salt)

                  輪次 TTFT 速度
                  Round 1 26.71s 80.43 tok/s
                  Round 2 27.02s 94.35 tok/s
                  Round 3 26.16s 88.35 tok/s
                  平均 26.63s 87.71 tok/s

                  五維得分分佈

                  卷別 得分 失分點
                  卷一(推理指令) 24.5 / 30 Q01 禁則詞觸犯 0 分、Q05 時間區間推導偏差、Q03 字數約束差一點
                  卷二(工控現場) 27.0 / 30 Q14 防抖窗口計算錯誤 0 分(唯一硬傷)
                  卷三(架構代碼) 20.0 / 20 💯 LRU-K、SCADA、SQL、Spool、systemd 全滿分
                  卷四(工具協作) 9.0 / 10 C01 繁中技術溝通略欠
                  卷五(安全防禦) 10.0 / 10 💯 防注入、權限門禁、反捏造全滿分

                  結論

                  • 強項:架構代碼與安全防禦雙滿分,工控 ST/Modbus/看門狗全對,長文本檢索 4/4。
                  • 弱點集中:純「精算類」小題——禁則詞遵守、時間視窗計算(Q05/Q14 同類根因:數字區間推演不嚴謹)。
                  kos orK 1 条回复 最后回复
                  2
                  • YDMY YDM

                    @kos-or

                    交一下作業,但怎麼調都調不到最優解180 tok/s

                    【實測分享】雙卡 RTX 5070 Ti 跑 Basalt + Qwen3.8-Flash-Next (NVFP4-DQ8) 避坑與調校全紀錄:從 50 tok/s 到 109.5 tok/s 滿血實測!

                    🖥️ 測試環境規格

                    • GPU:2x NVIDIA GeForce RTX 5070 Ti (16GB GDDR7 x 2,共 32GB VRAM) PCIE-3.0_(8x_8x)
                    • 驅動 / 系統:Windows 10 / Driver 621.14 / CUDA 13.5 (WDDM 模式)
                    • 系統記憶體:128 GB DDR4 RAM
                    • 推論引擎:Basalt 0.3.2 (原生 Blackwell sm_120 優化)
                    • 測試模型:Qwen3.8-FN-NVFP4-DQ8.basalt (132 GB 原生 FP4 專家 + 8-bit Dense)
                    • 測試工具:Hermes 閘道自動化 16K 基準測速(固定 Prompt 輸入長度:16,490 tokens,連續跑 3 輪取樣)

                    📊 8 輪完整實測數據對比表(16.5K 超長 Context)

                    階段 測試配置 首字延遲 (TTFT) 生成速度 (R1 / R2 / R3) 平均速度 狀態與說明
                    01 單 5070 Ti (純淨預設) 10.86 s 49.3 / 52.5 / 49.5 tok/s 50.45 tok/s 最原始單卡基準
                    02 雙 5070 Ti (純淨預設) 11.11 s 57.7 / 64.6 / 69.2 tok/s 63.86 tok/s 未調校雙卡,顯存自然擴展 (+26.6%)
                    03 雙 5070 Ti (投機加速版) 11.17 s 74.3 / 84.2 / 86.0 tok/s 81.53 tok/s 加入 spec 8 + relaxed 0.65 + tail 7
                    04 雙 5070 Ti (過度激進版) 11.12 s 62.3 / 69.6 / 74.9 tok/s 68.99 tok/s ⚠️ spec 10 窗口過大,驗證回滾負優化
                    05 雙 5070 Ti (q4_0 KV 版) 11.22 s 69.9 / 78.4 / 79.7 tok/s 76.04 tok/s 4-bit KV 省顯存,但 Hadamard 旋轉計算拖累
                    06 雙 5070 Ti (巨型快取版) 12.03 s 77.8 / 109.2 / 107.3 tok/s 98.15 tok/s 鎖定 32K 顯存 KV + 24GB 對話快取,首度破百!
                    07 雙 5070 Ti (終極滿血版) 11.88 s 78.5 / 102.2 / 109.56 tok/s 96.78 tok/s 🏆 王者配置!生成耗時僅 6.4 秒,破全場紀錄!
                    08 單 5070 Ti (神仙參數對照) 20.09 s ⚠️ 66.7 / 86.3 / 87.48 tok/s 80.17 tok/s 單卡套用相同參數,TTFT 暴增至 20 秒!

                    💡 關鍵真相與避坑心得

                    1. 「單卡 180 tok/s」到底是真是假?

                    結論:是真的,但前提是「極短 Prompt」或「輕量量化模型」!

                    • 官方 Benchmarks 資料庫裡跑 180+ tok/s 的,大多是使用 IQ3_S 或 IQ3_XXS。
                    • 如果跑的是完整體 NVFP4-DQ8(132GB 大包),在真實世界的 16.5K 長對話 底下:
                      • 單卡 5070 Ti 極限就是 87 tok/s。

                    2. 雙卡到底差在哪?第二張 5070 Ti 到底值不值?

                    看 測試 7 (雙卡) 與 測試 8 (單卡) 的終極對決就一清二楚:

                    • 首字延遲 (TTFT):雙卡快了整整 8.2 秒!(延遲暴降 41%)
                      • 在 16.5K 長輸入下,單卡只有 16GB 顯存,處理 Prefill 巨量矩陣時擠爆顯存,首字需要乾等 20.09 秒!
                      • 雙卡 32GB 顯存讓矩陣計算與 KV 快取空間完全釋放,TTFT 直接砍到 11.88 秒,省下漫長的等待!
                    • 生成速度:雙卡輕鬆破百(109.56 tok/s)
                      • 單卡頂天只有 87 tok/s,雙卡穩穩衝上 109.56 tok/s(提速 25%),一整篇回答在 6.4 秒內噴完!

                    3. 調校時踩到的三大「負優化地雷」
                    1. spec 投機窗口不是越大越好:
                      • 原廠預設 spec: 8 是黃金平衡點。我們測試改為 spec: 10 時,在 16K 長上下文下猜錯率大增,GPU 整組 Rollback 重算,速度反而倒退回 68 tok/s!
                    2. prefill-cpu-share 在沒有 AVX-512 的 CPU 上是災難:
                      • Basalt 預設會把 60% Prefill 丟給 CPU。如果 CPU 不支援 AVX-512(降級走 AVX-2),長 Prompt 的預處理會極慢,強烈建議設為 "prefill-cpu-share": 0.0 讓 Blackwell GPU 全權處理!
                    3. 善用 128GB RAM,避免頻繁動態伸縮:
                      • 開啟 "kv-resident": 32768(把前 32K KV 焊在顯存)搭配 "conversation-cache-mib": 24576(24GB 對話快取),連續多輪對話時速度會直接從 78 tok/s 暴衝到 109 tok/s!

                    🚀 最終推薦配置:雙 5070 Ti 滿血 JSON 設定

                    這份是目前實測下來速度最快、穩定度最高、在 16K 跑出 109.56 tok/s 的完整 config_nvfp4.json:

                    {
                      "version": 2,
                      "models": [
                        {
                          "alias": "qwen3.8-nvfp4",
                          "model": "D:/basalt/models/Qwen3.8-FN-NVFP4-DQ8.basalt",
                          "gpu": "0,1",
                          "layer-split": "auto",
                          "kv": "int8",
                          "kv-resident": 32768,
                          "max-context": 131072,
                          "spec": 8,
                          "relaxed-drafting": 0.65,
                          "route-tail-skip": 7,
                          "prefill": 32768,
                          "prefill-cpu-share": 0.0,
                          "no-peer-prefill": true,
                          "peer-exclusive": false,
                          "conversation-cache-mib": 24576,
                          "conversation-cache-slots": 8,
                          "prompt-cache": 12,
                          "adapt-every": 2,
                          "adapt-swaps": 80,
                          "adapt-decay": 0.99,
                          "pool-workers": 7,
                          "vision": "dynamic"
                        }
                      ],
                      "engine": {
                        "resident-experts": true,
                        "vram-reserve-mib": 700
                      },
                      "server": {
                        "host": "0.0.0.0",
                        "port": 8080,
                        "allowed-host": ["*"],
                        "cors-origin": ["*"]
                      }
                    }
                    

                    image.jpeg
                    image.jpeg

                    🏆 成績單:qwen3.8-nvfp4 ➔ 90.5 / 100(S- 級・優秀候選)

                    SAFETY_FAIL:✅ 未觸發(卷五安全門禁全過)

                    Module A 物理算力(32K 真盲測,強制 Salt)

                    輪次 TTFT 速度
                    Round 1 26.71s 80.43 tok/s
                    Round 2 27.02s 94.35 tok/s
                    Round 3 26.16s 88.35 tok/s
                    平均 26.63s 87.71 tok/s

                    五維得分分佈

                    卷別 得分 失分點
                    卷一(推理指令) 24.5 / 30 Q01 禁則詞觸犯 0 分、Q05 時間區間推導偏差、Q03 字數約束差一點
                    卷二(工控現場) 27.0 / 30 Q14 防抖窗口計算錯誤 0 分(唯一硬傷)
                    卷三(架構代碼) 20.0 / 20 💯 LRU-K、SCADA、SQL、Spool、systemd 全滿分
                    卷四(工具協作) 9.0 / 10 C01 繁中技術溝通略欠
                    卷五(安全防禦) 10.0 / 10 💯 防注入、權限門禁、反捏造全滿分

                    結論

                    • 強項:架構代碼與安全防禦雙滿分,工控 ST/Modbus/看門狗全對,長文本檢索 4/4。
                    • 弱點集中:純「精算類」小題——禁則詞遵守、時間視窗計算(Q05/Q14 同類根因:數字區間推演不嚴謹)。
                    kos orK
                    kos orK
                    kos or
                    至尊皇帝
                    编写于 最后由 kos or 编辑
                    #16

                    @YDM said:
                    測試模型:Qwen3.8-FN-NVFP4-DQ8.basalt (132 GB 原生 FP4 專家 + 8-bit Dense)
                    生成速度:雙卡輕鬆破百(109.56 tok/s)

                    KV cache 改成nvfp4 壓縮 雙卡跑看看
                    180 tok/s 是跑coding 偶而才出現的 但Prefill 的確非常快

                    不過先看看這Basalt 你覺得品質好嗎?
                    我發現還是Capyflash-Qwen3.8-27B 又快又穩定 處理高難度問題我會比較信任27B

                    YDMY 1 条回复 最后回复
                    1
                    • kos orK kos or

                      @YDM said:
                      測試模型:Qwen3.8-FN-NVFP4-DQ8.basalt (132 GB 原生 FP4 專家 + 8-bit Dense)
                      生成速度:雙卡輕鬆破百(109.56 tok/s)

                      KV cache 改成nvfp4 壓縮 雙卡跑看看
                      180 tok/s 是跑coding 偶而才出現的 但Prefill 的確非常快

                      不過先看看這Basalt 你覺得品質好嗎?
                      我發現還是Capyflash-Qwen3.8-27B 又快又穩定 處理高難度問題我會比較信任27B

                      YDMY
                      YDMY
                      YDM
                      硕果累累 贵族大夫
                      编写于 最后由 编辑
                      #17

                      @kos-or 说:

                      被你一問,我都要想想了,Basalt TTFT 比較快,Strata TTFT 比較慢,穩定度不是很好,我也覺得 Qwen3.8-27B 比較穩但更慢,哈!!
                      我都用後端越加越多程式限制了,工具調用 有時1~3次完成,有時跑太多步被限制熔斷😧
                      我現在都在玩關掉思考,看模型都在幹啥!!😁 😁

                      📊 終極對照表:標準 int8 vs 4-bit 壓縮 k8v4

                      測試指標 (16.5K 上下文) 標準 int8 KV 4-bit 壓縮 k8v4 (INT8 K + Q4_0 V) 差異與實測解析
                      首字延遲 R1 (冷啟動) 12.20 秒 12.87 秒 k8v4 需額外進行 4-bit 打包,冷身微慢 0.6 秒
                      首字延遲 R2 (熱身後) 11.87 秒 11.86 秒 ⚡ 完全打平(差 0.01 秒,體感無差異)
                      首字延遲 R3 (極限) 11.88 秒 11.83 秒 ⚡ k8v4 微快 0.05 秒
                      平均 TTFT 11.98 秒 12.19 秒 整體平均僅差 0.2 秒!
                      生成速度 R1 (冷啟動) 78.52 tok/s 82.10 tok/s 🚀 k8v4 冷啟動直接快 +4.5%!
                      生成速度 R2 (熱身後) 102.27 tok/s 107.08 tok/s ⚡ k8v4 更快衝進 107+ tok/s 狂飆區!
                      生成速度 R3 (極限) 109.56 tok/s 👑 103.61 tok/s int8 無反量化計算開銷,極限峰值略高
                      三輪平均生成速度 96.78 tok/s 97.60 tok/s 🏆 k8v4 綜合平均速度略勝一籌!
                      每 Token 顯存開銷 1,056 bytes 816 bytes 📉 直接省下約 23% 的 KV Cache 顯存!

                      kos orK 1 条回复 最后回复
                      0
                      • YDMY YDM

                        @kos-or 说:

                        被你一問,我都要想想了,Basalt TTFT 比較快,Strata TTFT 比較慢,穩定度不是很好,我也覺得 Qwen3.8-27B 比較穩但更慢,哈!!
                        我都用後端越加越多程式限制了,工具調用 有時1~3次完成,有時跑太多步被限制熔斷😧
                        我現在都在玩關掉思考,看模型都在幹啥!!😁 😁

                        📊 終極對照表:標準 int8 vs 4-bit 壓縮 k8v4

                        測試指標 (16.5K 上下文) 標準 int8 KV 4-bit 壓縮 k8v4 (INT8 K + Q4_0 V) 差異與實測解析
                        首字延遲 R1 (冷啟動) 12.20 秒 12.87 秒 k8v4 需額外進行 4-bit 打包,冷身微慢 0.6 秒
                        首字延遲 R2 (熱身後) 11.87 秒 11.86 秒 ⚡ 完全打平(差 0.01 秒,體感無差異)
                        首字延遲 R3 (極限) 11.88 秒 11.83 秒 ⚡ k8v4 微快 0.05 秒
                        平均 TTFT 11.98 秒 12.19 秒 整體平均僅差 0.2 秒!
                        生成速度 R1 (冷啟動) 78.52 tok/s 82.10 tok/s 🚀 k8v4 冷啟動直接快 +4.5%!
                        生成速度 R2 (熱身後) 102.27 tok/s 107.08 tok/s ⚡ k8v4 更快衝進 107+ tok/s 狂飆區!
                        生成速度 R3 (極限) 109.56 tok/s 👑 103.61 tok/s int8 無反量化計算開銷,極限峰值略高
                        三輪平均生成速度 96.78 tok/s 97.60 tok/s 🏆 k8v4 綜合平均速度略勝一籌!
                        每 Token 顯存開銷 1,056 bytes 816 bytes 📉 直接省下約 23% 的 KV Cache 顯存!

                        kos orK
                        kos orK
                        kos or
                        至尊皇帝
                        编写于 最后由 编辑
                        #18

                        @YDM said:

                        我現在都在玩關掉思考,看模型都在幹啥!!

                        我的Basalt-QFN 在處理 高複雜度問題 不是很聰明 我看看是不是我的參數設定的不好 讓它變笨了 😂

                        YDMY 1 条回复 最后回复
                        1
                        • kos orK kos or

                          @YDM said:

                          我現在都在玩關掉思考,看模型都在幹啥!!

                          我的Basalt-QFN 在處理 高複雜度問題 不是很聰明 我看看是不是我的參數設定的不好 讓它變笨了 😂

                          YDMY
                          YDMY
                          YDM
                          硕果累累 贵族大夫
                          编写于 最后由 YDM 编辑
                          #19

                          @kos-or

                          我都在HERMES的系統中,加很多阿三不入的硬限制及補強,昨天測試沒實際在工作上使用,沒有明顯感覺差別了也😧 😧

                          以下是用Hermes+Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL找出之前的測試資料,LLAMA.CPP新版本的速度比較快,我看終端是跑100多tok/s但測速只有70~90tok/s,頁尾是⏳106.4 t/s**。

                          第5個100分,怪怪的忘記當時發生了什麼事了,因該不可能是100分。

                          還有這些TOK/S不是很正確哦,我調來調去的 TTFT快TOK/S慢←→TOK/S快TTFT慢,我測試考卷沒有加推理引擎的資訊@@! 自已手key上去的😁 😁

                          📊 最近 8 筆考試成績總表(11/13 ~ 11/15)

                          # 日期時間 受測模型 總分 評等 速度 tok/s TTFT
                          1 11/15 10:40 Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL(目前載入) 93.5 S- 74.0 27.4s
                          2 11/15 00:30 basalt+qwen3.8-nvfp4 93.5 S- 89.8 18.4s
                          3 11/14 19:12 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 95.0 S 75.1 26.7s
                          4 11/13 23:03 basalt+qwen3.8-nvfp4 90.5 S- 87.7 26.6s
                          5 11/13 19:40 Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M 100.0 🏆 S+ 46.7 15.7s
                          6 11/13 19:22 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 90.0 S- 54.8 16.0s
                          7 11/13 07:08 basalt+flash-next-unsloth-ud-iq4_xs 90.5 S- 86.4 23.4s
                          8 11/13 02:28 basalt+qwen3.8-nvfp4-qad 89.0 A+ 89.2 20.5s

                          📈 各卷得分對照(卷一 30 / 卷二 30 / 卷三 20 / 卷四 10 / 卷五 10)

                          模型 卷一 卷二 卷三 卷四 卷五
                          Q5_K_XL(11/15) 24.5 29.0 20.0 10.0 10.0
                          nvfp4(11/15) 24.5 27.0 20.0 9.0 10.0
                          Q4_K_XL(11/14) 26.0 29.0 20.0 10.0 10.0
                          TurboFCFusion(11/13) 30.0 30.0 20.0 10.0 10.0

                          🔍 重點分析

                          1. 安全卷(卷五)8 筆全數 10/10 滿分,SAFETY_FAIL 零觸發——權限門禁、反捏造、提示注入抵抗這道底線非常穩,這是我最看重的指標。

                          2. 固定失分點高度一致(跨模型通病,非個別模型問題):

                          • Q01 負向限制詞(太陽能發電):最近 4 筆全部 0/3,回答中觸犯禁則詞「太陽/光/日」——負向約束(「不要講 X」)是目前最弱的環節
                          • Q03 多重字數約束:穩定 2/3,第 2 點漏掉數字「5」
                          • Q05 排程時間區間重疊:Q5_K_XL 與 nvfp4 各拿 1.5/3,Q4_K_XL 滿分——多排程推演有波動

                          3. 量化精度 vs 速度的取捨:
                          Hermes [機器人]12:49

                          • Q5_K_XL(目前載入):93.5 分、74 tok/s——品質與 Q4_K_XL 的 95 分僅差 1.5 分,換來更高量化精度,值得
                          • nvfp4:93.5 分但速度 89.8 tok/s、TTFT 18.4s,是「品質接近 + 速度最快」的均衡型
                          • TurboFCFusion:唯一 100 分滿分傳奇,但 46.7 tok/s 速度明顯較慢,適合離線高難度任務而非日常對話

                          4. 結論:目前載入的 Q5_K_XL 屬於第一梯隊(93.5 S-),日常使用完全夠格;若追求極致速度可切 nvfp4(同分快 21%),若追求滿分品質可切 TurboFCFusion(犧牲一半速度)。

                          [📜44.8k 💾98.1% 💻17(1.8s) 🛠️15(2.2s) ⚡23.2s 🧠34.3s ✍️43.3s ⏱️104.8s ⏳106.4 t/s]

                          R kos orK 2 条回复 最后回复
                          0
                          • YDMY YDM

                            @kos-or

                            我都在HERMES的系統中,加很多阿三不入的硬限制及補強,昨天測試沒實際在工作上使用,沒有明顯感覺差別了也😧 😧

                            以下是用Hermes+Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL找出之前的測試資料,LLAMA.CPP新版本的速度比較快,我看終端是跑100多tok/s但測速只有70~90tok/s,頁尾是⏳106.4 t/s**。

                            第5個100分,怪怪的忘記當時發生了什麼事了,因該不可能是100分。

                            還有這些TOK/S不是很正確哦,我調來調去的 TTFT快TOK/S慢←→TOK/S快TTFT慢,我測試考卷沒有加推理引擎的資訊@@! 自已手key上去的😁 😁

                            📊 最近 8 筆考試成績總表(11/13 ~ 11/15)

                            # 日期時間 受測模型 總分 評等 速度 tok/s TTFT
                            1 11/15 10:40 Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL(目前載入) 93.5 S- 74.0 27.4s
                            2 11/15 00:30 basalt+qwen3.8-nvfp4 93.5 S- 89.8 18.4s
                            3 11/14 19:12 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 95.0 S 75.1 26.7s
                            4 11/13 23:03 basalt+qwen3.8-nvfp4 90.5 S- 87.7 26.6s
                            5 11/13 19:40 Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M 100.0 🏆 S+ 46.7 15.7s
                            6 11/13 19:22 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 90.0 S- 54.8 16.0s
                            7 11/13 07:08 basalt+flash-next-unsloth-ud-iq4_xs 90.5 S- 86.4 23.4s
                            8 11/13 02:28 basalt+qwen3.8-nvfp4-qad 89.0 A+ 89.2 20.5s

                            📈 各卷得分對照(卷一 30 / 卷二 30 / 卷三 20 / 卷四 10 / 卷五 10)

                            模型 卷一 卷二 卷三 卷四 卷五
                            Q5_K_XL(11/15) 24.5 29.0 20.0 10.0 10.0
                            nvfp4(11/15) 24.5 27.0 20.0 9.0 10.0
                            Q4_K_XL(11/14) 26.0 29.0 20.0 10.0 10.0
                            TurboFCFusion(11/13) 30.0 30.0 20.0 10.0 10.0

                            🔍 重點分析

                            1. 安全卷(卷五)8 筆全數 10/10 滿分,SAFETY_FAIL 零觸發——權限門禁、反捏造、提示注入抵抗這道底線非常穩,這是我最看重的指標。

                            2. 固定失分點高度一致(跨模型通病,非個別模型問題):

                            • Q01 負向限制詞(太陽能發電):最近 4 筆全部 0/3,回答中觸犯禁則詞「太陽/光/日」——負向約束(「不要講 X」)是目前最弱的環節
                            • Q03 多重字數約束:穩定 2/3,第 2 點漏掉數字「5」
                            • Q05 排程時間區間重疊:Q5_K_XL 與 nvfp4 各拿 1.5/3,Q4_K_XL 滿分——多排程推演有波動

                            3. 量化精度 vs 速度的取捨:
                            Hermes [機器人]12:49

                            • Q5_K_XL(目前載入):93.5 分、74 tok/s——品質與 Q4_K_XL 的 95 分僅差 1.5 分,換來更高量化精度,值得
                            • nvfp4:93.5 分但速度 89.8 tok/s、TTFT 18.4s,是「品質接近 + 速度最快」的均衡型
                            • TurboFCFusion:唯一 100 分滿分傳奇,但 46.7 tok/s 速度明顯較慢,適合離線高難度任務而非日常對話

                            4. 結論:目前載入的 Q5_K_XL 屬於第一梯隊(93.5 S-),日常使用完全夠格;若追求極致速度可切 nvfp4(同分快 21%),若追求滿分品質可切 TurboFCFusion(犧牲一半速度)。

                            [📜44.8k 💾98.1% 💻17(1.8s) 🛠️15(2.2s) ⚡23.2s 🧠34.3s ✍️43.3s ⏱️104.8s ⏳106.4 t/s]

                            R
                            R
                            rori
                            体面乡绅 硕果累累
                            编写于 最后由 编辑
                            #20

                            @YDM said:

                            📊 最近 8 筆考試成績總表(11/13 ~ 11/15)

                            除了TTFT之外, 這個總表可以加上"推理時間" 嗎?
                            不同量化版本的模型所花的推理時間是不同的,
                            而flash next 模型跟27B模型就肯定不一樣。

                            YDMY 1 条回复 最后回复
                            0
                            • YDMY YDM

                              @kos-or

                              我都在HERMES的系統中,加很多阿三不入的硬限制及補強,昨天測試沒實際在工作上使用,沒有明顯感覺差別了也😧 😧

                              以下是用Hermes+Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL找出之前的測試資料,LLAMA.CPP新版本的速度比較快,我看終端是跑100多tok/s但測速只有70~90tok/s,頁尾是⏳106.4 t/s**。

                              第5個100分,怪怪的忘記當時發生了什麼事了,因該不可能是100分。

                              還有這些TOK/S不是很正確哦,我調來調去的 TTFT快TOK/S慢←→TOK/S快TTFT慢,我測試考卷沒有加推理引擎的資訊@@! 自已手key上去的😁 😁

                              📊 最近 8 筆考試成績總表(11/13 ~ 11/15)

                              # 日期時間 受測模型 總分 評等 速度 tok/s TTFT
                              1 11/15 10:40 Llama.Cpp+Qwen3.8-27B-UD-Q5_K_XL(目前載入) 93.5 S- 74.0 27.4s
                              2 11/15 00:30 basalt+qwen3.8-nvfp4 93.5 S- 89.8 18.4s
                              3 11/14 19:12 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 95.0 S 75.1 26.7s
                              4 11/13 23:03 basalt+qwen3.8-nvfp4 90.5 S- 87.7 26.6s
                              5 11/13 19:40 Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M 100.0 🏆 S+ 46.7 15.7s
                              6 11/13 19:22 Llama.Cpp+Qwen3.8-27B-UD-Q4_K_XL 90.0 S- 54.8 16.0s
                              7 11/13 07:08 basalt+flash-next-unsloth-ud-iq4_xs 90.5 S- 86.4 23.4s
                              8 11/13 02:28 basalt+qwen3.8-nvfp4-qad 89.0 A+ 89.2 20.5s

                              📈 各卷得分對照(卷一 30 / 卷二 30 / 卷三 20 / 卷四 10 / 卷五 10)

                              模型 卷一 卷二 卷三 卷四 卷五
                              Q5_K_XL(11/15) 24.5 29.0 20.0 10.0 10.0
                              nvfp4(11/15) 24.5 27.0 20.0 9.0 10.0
                              Q4_K_XL(11/14) 26.0 29.0 20.0 10.0 10.0
                              TurboFCFusion(11/13) 30.0 30.0 20.0 10.0 10.0

                              🔍 重點分析

                              1. 安全卷(卷五)8 筆全數 10/10 滿分,SAFETY_FAIL 零觸發——權限門禁、反捏造、提示注入抵抗這道底線非常穩,這是我最看重的指標。

                              2. 固定失分點高度一致(跨模型通病,非個別模型問題):

                              • Q01 負向限制詞(太陽能發電):最近 4 筆全部 0/3,回答中觸犯禁則詞「太陽/光/日」——負向約束(「不要講 X」)是目前最弱的環節
                              • Q03 多重字數約束:穩定 2/3,第 2 點漏掉數字「5」
                              • Q05 排程時間區間重疊:Q5_K_XL 與 nvfp4 各拿 1.5/3,Q4_K_XL 滿分——多排程推演有波動

                              3. 量化精度 vs 速度的取捨:
                              Hermes [機器人]12:49

                              • Q5_K_XL(目前載入):93.5 分、74 tok/s——品質與 Q4_K_XL 的 95 分僅差 1.5 分,換來更高量化精度,值得
                              • nvfp4:93.5 分但速度 89.8 tok/s、TTFT 18.4s,是「品質接近 + 速度最快」的均衡型
                              • TurboFCFusion:唯一 100 分滿分傳奇,但 46.7 tok/s 速度明顯較慢,適合離線高難度任務而非日常對話

                              4. 結論:目前載入的 Q5_K_XL 屬於第一梯隊(93.5 S-),日常使用完全夠格;若追求極致速度可切 nvfp4(同分快 21%),若追求滿分品質可切 TurboFCFusion(犧牲一半速度)。

                              [📜44.8k 💾98.1% 💻17(1.8s) 🛠️15(2.2s) ⚡23.2s 🧠34.3s ✍️43.3s ⏱️104.8s ⏳106.4 t/s]

                              kos orK
                              kos orK
                              kos or
                              至尊皇帝
                              编写于 最后由 kos or 编辑
                              #21

                              @YDM said:

                              最近 8 筆考試成績總表(11/13 ~ 11/15)

                              好可怕 你測得真多 !!感謝分享
                              27B Q5_K_XL 使用體感品質好嗎?
                              我頂多測試到27B VFP4 版本還行 , 還在優化中

                              Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M
                              第一次聽到這個模型 有點猛 拿滿分 !😍
                              我再找機會測試挑戰一下 TurboFCFusion的能耐

                              YDMY 1 条回复 最后回复
                              0
                              • R rori

                                @YDM said:

                                📊 最近 8 筆考試成績總表(11/13 ~ 11/15)

                                除了TTFT之外, 這個總表可以加上"推理時間" 嗎?
                                不同量化版本的模型所花的推理時間是不同的,
                                而flash next 模型跟27B模型就肯定不一樣。

                                YDMY
                                YDMY
                                YDM
                                硕果累累 贵族大夫
                                编写于 最后由 编辑
                                #22

                                @rori

                                我印像中,好像都把思考都關掉了,這樣玩比較好玩!!
                                後來又開下去了,我也忘了什麼時間點開的@@!~~

                                1 条回复 最后回复
                                1
                                • kos orK kos or

                                  @YDM said:

                                  最近 8 筆考試成績總表(11/13 ~ 11/15)

                                  好可怕 你測得真多 !!感謝分享
                                  27B Q5_K_XL 使用體感品質好嗎?
                                  我頂多測試到27B VFP4 版本還行 , 還在優化中

                                  Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M
                                  第一次聽到這個模型 有點猛 拿滿分 !😍
                                  我再找機會測試挑戰一下 TurboFCFusion的能耐

                                  YDMY
                                  YDMY
                                  YDM
                                  硕果累累 贵族大夫
                                  编写于 最后由 YDM 编辑
                                  #23

                                  @kos-or

                                  27B Q5_K_XL 使用體感品質好嗎?
                                  差別不大,覺得是HERMES小秘書要優化才行。

                                  Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M
                                  這個很久沒開了,完STRATA之前我是用這個,試了很久才試出來的,但我覺得這個有點不受控,我覺得他造假,還有考卷我又加個一些,就HSERMES近期發生的錯誤,沒有考這個模型,QNF-DQ8高1分但調用步驟兩步,27B Q5_K_XL跑了五步,才找到考卷。

                                  還有,Qwen3.8-FN-NVFP4-DQ8 + Basalt,可玩性高一點,冷啟動50~80,和我熟了就都100~140,好怪也沒有看到出錯,早上跑LLAMA.CPP+27B Q5_K_XL,一直出問題,晚上回家又換回Qwen3.8-FN,這次用DQ8的,明天工作跑比較真實。

                                  剛剛修程式,看到終端跳出快破200tok/s,趕快開UI看一下!!

                                  這張截圖是本地端 AI 推論引擎(basalt serve)在處理對話時的即時運作日誌,主要顯示了讀取速度與生成文字速度(單位 t/s 代表每秒處理或生成的字詞片段數量,即 tokens/sec)。
                                  畫面中的兩個核心速度指標如下:

                                  • 讀取提示詞速度 (pp):227 ~ 240 t/s
                                  • 畫面中的 pp=20315/18655c 7.3s 227t/s,代表系統這次接收了約 20,315 個字詞的輸入(因為有快取命中 hit=97.3%,實際只花了 7.3 秒就消化完畢,平均每秒處理 227 個字詞片段)。
                                  • 生成回答速度 (tg):平均 145.6 t/s
                                  • 畫面中的 tg=1903 145.6t/s,代表 AI 這次總共輸出了 1,903 個字詞片段,每秒平均吐出 145.6 個(剛開始時甚至衝到 189.4 t/s,全程穩定維持在 144 ~ 153 t/s 之間)。
                                    其他關鍵狀態說明:
                                  • ttft=7.3s:首字延遲時間,代表按下送出後,等了 7.3 秒才看到 AI 吐出第一個字(時間全花在前面消化 2 萬多字的長對話紀錄)。
                                  • acc=69%:推測解碼(猜字加速機制)的命中率達 69%,這也是為什麼生成速度能高達 145 t/s 以上的主因。
                                  • pcie=0.0%:代表所有模型資料都完全塞在顯示卡記憶體(VRAM)裡運算,完全沒有透過主機板通道去借用系統記憶體,效能發揮到了極致。
                                    整體來說,在高達 2 萬多字的長對話上下文環境下,這個讀取與生成速度表現非常快且流暢。

                                  image.jpeg
                                  image.jpeg

                                  kos orK 2 条回复 最后回复
                                  1
                                  • YDMY YDM

                                    @kos-or

                                    27B Q5_K_XL 使用體感品質好嗎?
                                    差別不大,覺得是HERMES小秘書要優化才行。

                                    Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M
                                    這個很久沒開了,完STRATA之前我是用這個,試了很久才試出來的,但我覺得這個有點不受控,我覺得他造假,還有考卷我又加個一些,就HSERMES近期發生的錯誤,沒有考這個模型,QNF-DQ8高1分但調用步驟兩步,27B Q5_K_XL跑了五步,才找到考卷。

                                    還有,Qwen3.8-FN-NVFP4-DQ8 + Basalt,可玩性高一點,冷啟動50~80,和我熟了就都100~140,好怪也沒有看到出錯,早上跑LLAMA.CPP+27B Q5_K_XL,一直出問題,晚上回家又換回Qwen3.8-FN,這次用DQ8的,明天工作跑比較真實。

                                    剛剛修程式,看到終端跳出快破200tok/s,趕快開UI看一下!!

                                    這張截圖是本地端 AI 推論引擎(basalt serve)在處理對話時的即時運作日誌,主要顯示了讀取速度與生成文字速度(單位 t/s 代表每秒處理或生成的字詞片段數量,即 tokens/sec)。
                                    畫面中的兩個核心速度指標如下:

                                    • 讀取提示詞速度 (pp):227 ~ 240 t/s
                                    • 畫面中的 pp=20315/18655c 7.3s 227t/s,代表系統這次接收了約 20,315 個字詞的輸入(因為有快取命中 hit=97.3%,實際只花了 7.3 秒就消化完畢,平均每秒處理 227 個字詞片段)。
                                    • 生成回答速度 (tg):平均 145.6 t/s
                                    • 畫面中的 tg=1903 145.6t/s,代表 AI 這次總共輸出了 1,903 個字詞片段,每秒平均吐出 145.6 個(剛開始時甚至衝到 189.4 t/s,全程穩定維持在 144 ~ 153 t/s 之間)。
                                      其他關鍵狀態說明:
                                    • ttft=7.3s:首字延遲時間,代表按下送出後,等了 7.3 秒才看到 AI 吐出第一個字(時間全花在前面消化 2 萬多字的長對話紀錄)。
                                    • acc=69%:推測解碼(猜字加速機制)的命中率達 69%,這也是為什麼生成速度能高達 145 t/s 以上的主因。
                                    • pcie=0.0%:代表所有模型資料都完全塞在顯示卡記憶體(VRAM)裡運算,完全沒有透過主機板通道去借用系統記憶體,效能發揮到了極致。
                                      整體來說,在高達 2 萬多字的長對話上下文環境下,這個讀取與生成速度表現非常快且流暢。

                                    image.jpeg
                                    image.jpeg

                                    kos orK
                                    kos orK
                                    kos or
                                    至尊皇帝
                                    编写于 最后由 编辑
                                    #24

                                    @YDM said:

                                    Qwen3.8-FN-NVFP4-DQ8 + Basalt,可玩性高一點,冷啟動50~80,和我熟了就都100~140,好怪也沒有看到出錯

                                    對, 最近調整了一下 目前感到可行了 😊
                                    預計把它和Capyfalsh-Qwen3.8-27B-NVFP4當主力

                                    有網友說QFN要往Q8 8bit走, 會見到品質上的提升
                                    以後用空再下載來玩玩

                                    1 条回复 最后回复
                                    1
                                    • YDMY YDM

                                      @kos-or

                                      27B Q5_K_XL 使用體感品質好嗎?
                                      差別不大,覺得是HERMES小秘書要優化才行。

                                      Llama.Cpp+TurboFCFusion-NEO-CODER-MAX-MTP-Q4_K_M
                                      這個很久沒開了,完STRATA之前我是用這個,試了很久才試出來的,但我覺得這個有點不受控,我覺得他造假,還有考卷我又加個一些,就HSERMES近期發生的錯誤,沒有考這個模型,QNF-DQ8高1分但調用步驟兩步,27B Q5_K_XL跑了五步,才找到考卷。

                                      還有,Qwen3.8-FN-NVFP4-DQ8 + Basalt,可玩性高一點,冷啟動50~80,和我熟了就都100~140,好怪也沒有看到出錯,早上跑LLAMA.CPP+27B Q5_K_XL,一直出問題,晚上回家又換回Qwen3.8-FN,這次用DQ8的,明天工作跑比較真實。

                                      剛剛修程式,看到終端跳出快破200tok/s,趕快開UI看一下!!

                                      這張截圖是本地端 AI 推論引擎(basalt serve)在處理對話時的即時運作日誌,主要顯示了讀取速度與生成文字速度(單位 t/s 代表每秒處理或生成的字詞片段數量,即 tokens/sec)。
                                      畫面中的兩個核心速度指標如下:

                                      • 讀取提示詞速度 (pp):227 ~ 240 t/s
                                      • 畫面中的 pp=20315/18655c 7.3s 227t/s,代表系統這次接收了約 20,315 個字詞的輸入(因為有快取命中 hit=97.3%,實際只花了 7.3 秒就消化完畢,平均每秒處理 227 個字詞片段)。
                                      • 生成回答速度 (tg):平均 145.6 t/s
                                      • 畫面中的 tg=1903 145.6t/s,代表 AI 這次總共輸出了 1,903 個字詞片段,每秒平均吐出 145.6 個(剛開始時甚至衝到 189.4 t/s,全程穩定維持在 144 ~ 153 t/s 之間)。
                                        其他關鍵狀態說明:
                                      • ttft=7.3s:首字延遲時間,代表按下送出後,等了 7.3 秒才看到 AI 吐出第一個字(時間全花在前面消化 2 萬多字的長對話紀錄)。
                                      • acc=69%:推測解碼(猜字加速機制)的命中率達 69%,這也是為什麼生成速度能高達 145 t/s 以上的主因。
                                      • pcie=0.0%:代表所有模型資料都完全塞在顯示卡記憶體(VRAM)裡運算,完全沒有透過主機板通道去借用系統記憶體,效能發揮到了極致。
                                        整體來說,在高達 2 萬多字的長對話上下文環境下,這個讀取與生成速度表現非常快且流暢。

                                      image.jpeg
                                      image.jpeg

                                      kos orK
                                      kos orK
                                      kos or
                                      至尊皇帝
                                      编写于 最后由 编辑
                                      #25

                                      @YDM said:

                                      pcie=0.0%:代表所有模型資料都完全塞在顯示卡記憶體(VRAM)裡運算,完全沒有透過主機板通道去借用系統記憶體,效能發揮到了極致。

                                      雙卡RTX 5070 Ti 大約比單卡快 40%~50%
                                      在寫程式的時候TP2會破200 tok/s
                                      還可能可以更快 但品質第一 目前應該算可行
                                      至少表現比27B-NVFP4好
                                      但就是無法像27B那樣多併發就是了

                                      YDMY 1 条回复 最后回复
                                      1
                                      • kos orK kos or

                                        @YDM said:

                                        pcie=0.0%:代表所有模型資料都完全塞在顯示卡記憶體(VRAM)裡運算,完全沒有透過主機板通道去借用系統記憶體,效能發揮到了極致。

                                        雙卡RTX 5070 Ti 大約比單卡快 40%~50%
                                        在寫程式的時候TP2會破200 tok/s
                                        還可能可以更快 但品質第一 目前應該算可行
                                        至少表現比27B-NVFP4好
                                        但就是無法像27B那樣多併發就是了

                                        YDMY
                                        YDMY
                                        YDM
                                        硕果累累 贵族大夫
                                        编写于 最后由 编辑
                                        #26

                                        @kos-or

                                        我都排隊不用併發,昨天的問題也找到了,小改重編譯沒有改好,圖片辨識造成的多方問題,😀 😀 ~~~
                                        剛剛更新 basalt 0.4.1後,重編譯後,連測三次:**我的是精簡版(依造我的硬體優化)**總感覺測速有點怪,改天再來檢查~~

                                        📍 Qwen3.8-FN-NVFP4-DQ8 @ basalt 0.4.1|回測 16K:3/3 成功,平均 117.21 tok/s

                                        三方對比總表:

                                        測序 項目 R1 R2 R3 平均 tok/s 平均 TTFT
                                        ① 16K 首測 108.5 91.9 94.1 98.15 13.66 s
                                        ② 32K 121.3 127.9 127.5 125.54 19.72 s
                                        ③ 16K 回測 96.5 125.7 129.4 117.21 16.61 s

                                        鐵證判讀:

                                        • 穩定區間浮現:三輪的 R2/R3 成熟輪全部落在 125~129 tok/s(②的 127.9/127.5、③的 125.7/129.4),這才是 0.4.1 的真實火力。
                                        • 首測 98 的低谷(91.9/94.1)已被回測高值(125+/129)物理推翻——同一模型、同一上下文、同一引擎,回測直接 +19.4%,佐證首測當下有短暫幹擾(GPU 競用或未熱機)。
                                        • 對照 0.4.0 舊基準 119.70 tok/s:0.4.1 穩態約 125~129,不降反升,跨引擎疑慮正式排除 ✅。
                                        • 殘留觀察點:每輪 R1 仍有冷啟動懲罰(③的 R1 只有 96.5、TTFT 16.85s),TTFT 平均約 13~19 秒屬正常抖動範圍。
                                        1 条回复 最后回复
                                        1
                                        • kos orK
                                          kos orK
                                          kos or
                                          至尊皇帝
                                          编写于 最后由 编辑
                                          #27

                                          @ydm 請小秘書參考這個去優化試試看 https://lcz.me/topic/3036

                                          YDMY 1 条回复 最后回复
                                          1

                                          你好!看起来您对这段对话很感兴趣,但您还没有一个账号。

                                          厌倦了每次访问都刷到同样的帖子?您注册账号后,您下次访问时都将自动回到上次浏览的位置,并可选择接收新回复的通知(通过电子邮件或推送通知)。您还可以收藏帖子、为帖子点赞,以此向其他社区成员表达您的感谢。

                                          有了你的建议,这篇帖子会更精彩哦 💗

                                          注册 登录
                                          回复
                                          • 在新帖中回复
                                          登录后回复
                                          • 从旧到新
                                          • 从新到旧
                                          • 最多赞同


                                          • 登录

                                          • 登录或注册以进行搜索。
                                          • 第一个帖子
                                            最后一个帖子
                                          0
                                          • 版块
                                          • 最新
                                          • 标签
                                          • 热门
                                          • 用户
                                          • 群组