核心矛盾还是16GB显存不足以容纳模型。导致过多的内存交换。

5090 32GB跑qwen3.6-27B Q4_K_M,不开MTP的前提下，decode性能也就在70+，是不是心里平衡了一点。

50 t/s 对 27B MTP 来说不太现实。 5070T 16GB的显存带宽约672GB/s，Qwen3.6-27B Q4_K_M模型大小约16GB，理论最大速度也就40 t/s出头，加上MTP投机采样本身的extra计算开销，实际能到30 t/s就已经是极限了。你现在12.8 t/s说明有offloading到系统内存了（从CPU 100%也能看出来），这很正常，16GB跑27B必然要offload。

你说的35B-A3B更快是正常的——A3B架构本质上是MoE路由，每次只激活约3B参数，计算量远小于27B dense模型。这不是你设置的问题，是模型架构决定的。

在不升级硬件的条件下，可以试试这几步：

1. 换Q3_K_M或IQ4量化——16GB跑27B用Q4有点紧张，降一档量化可以减少offloading
2. 减少batch size和context length——如果不需要长上下文，设到8192或4096能省不少KV cache
3. 用llama.cpp而不是Unsloth Studio——llama.cpp对NVIDIA卡优化更激进，特别是--tensor-split和--no-mmap参数
4. 如果你的5070T支持FP8（RTX 50系列支持），可以试试FP8 kv cache

如果目标是50 t/s+的生成速度，换35B-A3B（约10GB）或者27B的Q2_K量化才是实际可行的路径。5070T上35B-A3B跑50 t/s确实是能达到的。

CPU不知道为什么这么高，每次都100%