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(不使用皮肤)
  • 不使用皮肤
折叠
品牌标识

抡锤者

  1. 主页
  2. AI硬件
  3. 論 迷你電腦 配合 RTX Pro 4500 的簡單測試, 以及Blackwell架構下的一些嘗試 (僅限Dense模型)

論 迷你電腦 配合 RTX Pro 4500 的簡單測試, 以及Blackwell架構下的一些嘗試 (僅限Dense模型)

已定时 已固定 已锁定 已移动 AI硬件
41 帖子 6 发布者 463 浏览 2 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。
  • CS6C CS6

    你讓我對 4500 心動了

    5 在线
    5 在线
    566656661
    技术大牛
    编写于 最后由 编辑
    #3

    @CS6

    笑死, 不過有預算的話上RTX Pro 5000吧, Pro 4500 其實比較冷門點

    CS6C 1 条回复 最后回复
    0
    • 5 566656661

      @CS6

      笑死, 不過有預算的話上RTX Pro 5000吧, Pro 4500 其實比較冷門點

      CS6C 离线
      CS6C 离线
      CS6
      技术大牛
      编写于 最后由 编辑
      #4

      @566656661 單卡25萬左右還是太硬了,我的微薄月薪還要先扣 ai 税,除非有額外的收入可以回本,我目前已經有一張 R9700 可以玩,目前是在考慮第二張可以選 R9700 或是 B70 或是捏一下上 Pro 4500

      5 1 条回复 最后回复
      0
      • CS6C CS6

        @566656661 單卡25萬左右還是太硬了,我的微薄月薪還要先扣 ai 税,除非有額外的收入可以回本,我目前已經有一張 R9700 可以玩,目前是在考慮第二張可以選 R9700 或是 B70 或是捏一下上 Pro 4500

        5 在线
        5 在线
        566656661
        技术大牛
        编写于 最后由 编辑
        #5

        @CS6

        Vulkan支持混合卡, 把sm86變成sm120應該就可以, 畢竟CS你應該也在用vulkan吧

        B70的話還是避開吧, 這張卡很多測試情景都是用Intel自己docker image, 適用性可能無限趨近0

        1 条回复 最后回复
        1
        • 5 在线
          5 在线
          566656661
          技术大牛
          编写于 最后由 566656661 编辑
          #6

          基準測試

          vLLM cu130 nightly (0.20) -> v0.22.1 cu129, 其餘包括benchmark不變

          之後測試如果沒再提及Docker Image變化請默認為 v0.22.1-cu129-ubuntu2404

          打了瞌睡, 發現原來參數沒刪乾淨, 只能帶著舊參數 + 新docker image 跑了

          測試如下

          | model                                    |             test |               t/s |     peak t/s |          ttfr (ms) |       est_ppt (ms) |      e2e_ttft (ms) |
          | :--------------------------------------- | ---------------: | ----------------: | -----------: | -----------------: | -----------------: | -----------------: |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |           pp2048 | 4112.24 ± 2335.79 |              |   1000.79 ± 713.91 |    882.88 ± 713.91 |   1000.79 ± 713.91 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |            tg480 |      70.62 ± 0.93 | 90.67 ± 1.25 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d1000 |  6522.05 ± 180.65 |              |     585.81 ± 13.00 |     467.90 ± 13.00 |     585.81 ± 13.00 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d1000 |      72.00 ± 4.34 | 87.00 ± 0.82 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d5000 |  5716.09 ± 781.76 |              |   1377.22 ± 190.64 |   1259.31 ± 190.64 |   1377.22 ± 190.64 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d5000 |      71.20 ± 1.68 | 90.33 ± 3.40 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d10000 |   5791.35 ± 64.74 |              |    2198.74 ± 23.28 |    2080.84 ± 23.28 |    2198.74 ± 23.28 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d10000 |      70.74 ± 7.93 | 86.67 ± 4.19 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d20000 |    5015.72 ± 8.10 |              |     4513.90 ± 7.10 |     4395.99 ± 7.10 |     4515.13 ± 6.99 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d20000 |      68.54 ± 4.81 | 86.67 ± 3.68 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d50000 |    3643.75 ± 3.58 |              |   14402.48 ± 14.02 |   14284.58 ± 14.02 |   14404.87 ± 13.87 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d50000 |      71.21 ± 6.44 | 86.67 ± 1.25 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d100000 |    2495.95 ± 3.04 |              |   41003.94 ± 49.73 |   40886.04 ± 49.73 |   41008.28 ± 49.60 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d100000 |      61.24 ± 2.76 | 81.33 ± 3.86 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d150000 |    1898.18 ± 0.59 |              |   80220.31 ± 24.93 |   80102.40 ± 24.93 |   80226.48 ± 24.91 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d150000 |      63.09 ± 4.07 | 80.67 ± 4.92 |                    |                    |                    |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d200000 |    1531.27 ± 1.25 |              | 132066.32 ± 107.58 | 131948.41 ± 107.58 | 132076.34 ± 108.43 |
          | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d200000 |      58.89 ± 1.49 | 76.67 ± 3.77 |                    |                    |                    |
          

          GPT分析

          指標 結論
          pp2048 / prefill t/s cu130-0.20 全面較快
          短 context cu130-0.20 優勢最大,純 pp2048 約快 88%,d1000 約快 25%
          中長 context cu130-0.20 仍較快,但差距逐步縮小
          d50000 以上 prefill 差距只剩約 1% - 2%
          ttfr / e2e_ttft cu130-0.20 較低,代表首 token 等待時間較短
          tg480 generation t/s cu129-0.22 平均略快,cu130-0.20 約慢 1.8% - 1.9%
          peak generation t/s cu129-0.22 多數情況較高

          看起來cu130 nightly或者說整個cu130是有特別針對blackwell做優化, cu129估計是針對30跟40系優化

          5 1 条回复 最后回复
          0
          • 5 在线
            5 在线
            566656661
            技术大牛
            编写于 最后由 566656661 编辑
            #7

            93f0f237-99a2-4a6d-91c9-6474a2ec24a1-image.jpeg

            @kop-wang

            找到一個你可能感興趣的東西, 引用這位大神的文章

            沒有理解錯的話應該算是不同quantization下模型的精度, 原型BF16, 原型FP8, AWQ量化的INT4, AWQ 4bit (類似GGUF Q4的概念), Autoround量化的INT4

            部分任務好像NVFP4的精度還滿吃虧的

            5 1 条回复 最后回复
            1
            • CS6C 离线
              CS6C 离线
              CS6
              技术大牛
              编写于 最后由 编辑
              #8

              @566656661 我記得你好像有張 5090 ,PRO 4500 價位也差不多,你有比較過差異跟 CP 值嗎?

              5 1 条回复 最后回复
              0
              • 5 566656661

                TLDR

                先上個實體圖

                Beelink Ser 8 8745HS 用Oculink連接 RTX Pro 4500

                跑在Ubuntu 26.04, Kernel 7.0

                因爲Oculink的關係, 不會考慮使用MoE

                unamed.jpg

                啓動咒語, 注意這個是我在vLLM cu130 nightly (0.20)設立的, cu129 0.22估計會有更多優化, 我會試試看其他版本

                docker run -d \
                  --name vllm-Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP \
                  --restart unless-stopped \
                  --ipc host \
                  --gpus '"device=0"' \
                  -p 0.0.0.0:7380:8000 \
                  -v "~/vllm/models:/models:ro" \
                  -v "~/vllm/.cache/huggingface:/root/.cache/huggingface" \
                  -e GPU_MEMORY_UTILIZATION="0.95" \
                  -e HF_HUB_OFFLINE="1" \
                  -e KV_CACHE_DTYPE="fp8" \
                  -e MAX_MODEL_LEN="230400" \
                  -e MODEL_PATH="/models/sakamakismile/Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP" \
                  -e PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True" \
                  -e SERVED_MODEL_NAME="Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP" \
                  -e VLLM_ATTENTION_BACKEND="FLASHINFER" \
                  -e VLLM_EXTRA_ARGS='--quantization modelopt --trust-remote-code --enable-chunked-prefill --reasoning-parser qwen3 --tool-call-parser qwen3_coder --enable-auto-tool-choice --max-num-seqs 1 --max-num-batched-tokens 4096 --speculative-config {"method":"qwen3_5_mtp","num_speculative_tokens":3} --language-model-only --performance-mode interactivity --attention-backend flashinfer --skip-mm-profiling --enable-prefix-caching --no-disable-hybrid-kv-cache-manager' \
                  -e VLLM_LOGGING_LEVEL="INFO" \
                  -e VLLM_NVFP4_GEMM_BACKEND="flashinfer-cutlass" \
                  -e VLLM_USE_FLASHINFER_MOE_FP4="0" \
                  -e VLLM_USE_FLASHINFER_SAMPLER="1" \
                  --health-cmd 'curl -fsS http://localhost:8000/v1/models || exit 1' \
                  --health-timeout 5s \
                  --health-interval 30s \
                  --health-retries 5 \
                  --health-start-period 5m \
                  --entrypoint /bin/bash \
                  vllm/vllm-openai:cu130-nightly \
                  -lc 'exec vllm serve "$MODEL_PATH" --served-model-name "$SERVED_MODEL_NAME" --host 0.0.0.0 --port 8000 --max-model-len "$MAX_MODEL_LEN" --gpu-memory-utilization "$GPU_MEMORY_UTILIZATION" --kv-cache-dtype "$KV_CACHE_DTYPE" $VLLM_EXTRA_ARGS'
                

                llama-benchy benchmark

                llama-benchy \
                  --base-url "http://localhost:7380/v1" \
                  --model "Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP" \
                  --tokenizer "$HOME/vllm/models/sakamakismile/Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP" \
                  --pp 2048 \
                  --tg 480 \
                  --depth 0 1000 5000 10000 20000 50000 100000 150000 200000 \    #(不同上下文長度)
                  --latency-mode generation \
                  --skip-coherence \
                  --concurrency 1 \
                

                效果

                | model                                    |             test |               t/s |     peak t/s |         ttfr (ms) |      est_ppt (ms) |     e2e_ttft (ms) |
                |:-----------------------------------------|-----------------:|------------------:|-------------:|------------------:|------------------:|------------------:|
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |           pp2048 | 7741.01 ± 1375.30 |              |    373.94 ± 54.49 |    274.26 ± 54.49 |    373.94 ± 54.49 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |            tg480 |      68.87 ± 6.65 | 81.33 ± 3.68 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d1000 |   8136.73 ± 32.84 |              |     474.32 ± 1.44 |     374.64 ± 1.44 |     474.32 ± 1.44 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d1000 |      67.73 ± 5.06 | 88.00 ± 5.72 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d5000 |   6615.23 ± 22.79 |              |    1165.21 ± 3.86 |    1065.53 ± 3.86 |    1165.21 ± 3.86 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d5000 |      72.92 ± 3.56 | 89.33 ± 3.77 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d10000 |   6008.73 ± 10.16 |              |    2104.88 ± 3.47 |    2005.20 ± 3.47 |    2104.88 ± 3.47 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d10000 |      65.25 ± 2.21 | 82.00 ± 4.32 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d20000 |    5152.21 ± 0.52 |              |    4379.13 ± 0.52 |    4279.45 ± 0.52 |    4380.19 ± 0.46 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d20000 |      70.45 ± 1.27 | 89.67 ± 0.47 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d50000 |    3690.36 ± 5.88 |              |  14203.66 ± 22.59 |  14103.98 ± 22.59 |  14205.86 ± 22.80 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d50000 |      67.03 ± 1.67 | 84.67 ± 0.47 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d100000 |    2528.58 ± 0.55 |              |   40457.51 ± 8.72 |   40357.83 ± 8.72 |   40461.50 ± 8.69 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d100000 |      60.96 ± 0.75 | 78.33 ± 3.68 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d150000 |    1922.36 ± 0.98 |              |  79194.84 ± 39.68 |  79095.17 ± 39.68 |  79201.49 ± 39.50 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d150000 |      62.53 ± 3.29 | 76.33 ± 1.89 |                   |                   |                   |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d200000 |    1556.00 ± 0.99 |              | 129951.65 ± 82.49 | 129851.97 ± 82.49 | 129959.72 ± 82.53 |
                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d200000 |      59.58 ± 1.31 | 69.67 ± 1.70 |                   |                   |                   |
                

                碎碎唸, 講一下參數選擇邏輯

                GPU_MEMORY_UTILIZATION => 0.95, Headless伺服器, 顯示輸出由iGPU負責
                KV_CACHE_DTYPE => FP8, Ada架構以後基本統一FP8
                MAX_MODEL_LEN => 230K, 之前有嘗試試過極限拉到240K左右, 但是會在部分長上下文出現OOM, 穩定點用230K
                
                PYTORCH_CUDA_ALLOC_CONF => Pytorch實驗性參數, 透過呼叫CUDA内核API整理VRAM碎塊, 降低OOM機會
                VLLM_ATTENTION_BACKEND => FLASHINFER, 很奇怪的是vLLM是推薦用這個而不是Flash Attention, 理論上在NVFP4在sm 12X (Desktop Blackwell)還沒完善下的情況用FA估計會比較好, 在sm 10X (Datacenter Blackwell)則FLASHINFER比較好
                
                quantization => modelopt, vllm會跑去讀hf_quant_config.json裏的quant_algo, 這個模型是nvfp4
                enable-chunked-prefill => 必開不解釋, 優化VRAM避免Spike導致OOM
                speculative-config => 2 或者 3 都可, 激進點就用了3
                skip-mm-profiling => 因爲這個模型只支持Text, 所以不需要multi model設定,省點VRAM
                enable-prefix-caching => 降低TTRT
                no-disable-hybrid-kv-cache-manager => 避免因爲Qwen模型的混合Attention導致挂掉
                
                VLLM_NVFP4_GEMM_BACKEND => 叫vLLM 使用 FlashInfer/Cutlass NVFP4 kernels進行矩陣計算, Blackwell特點
                VLLM_USE_FLASHINFER_MOE_FP4 (0) + VLLM_USE_FLASHINFER_SAMPLER (1) => 優化CUDA内核
                
                rolex loR 离线
                rolex loR 离线
                rolex lo
                编写于 最后由 编辑
                #9

                @566656661 大神 看你用oclink 也有這個tks 我用底座 beelink pci 5.0 更加定了
                就買4500 吧🙂‍↕️
                數據實測結果十分好,都肯定兩張R9700也達不到

                身心錢包都要痛了🤧

                5 1 条回复 最后回复
                0
                • CS6C CS6

                  @566656661 我記得你好像有張 5090 ,PRO 4500 價位也差不多,你有比較過差異跟 CP 值嗎?

                  5 在线
                  5 在线
                  566656661
                  技术大牛
                  编写于 最后由 编辑
                  #10

                  @CS6

                  我的是5090D版 (住香港), 而且香港現在5090D貴到快要到2萬中, 非D都起碼要3萬頭港幣了

                  差異的話我是沒特別留意, 畢竟5090D太多時候都是試驗品 + 日常使用

                  4500的fp16 tflops卡在5070ti 跟 5080中間, Prefill的話你可以用5070ti作爲基準加個5%左右吧.

                  至於CP嘛, 混合日常使用跟LLM肯定是5090更好, 怕功耗600w可以用afterburner降到最低400w左右, 引用一下這個Reddit Post, 性能損失如下:

                  4024df3a-02d0-4254-a26d-c6e02b7ad156-image.jpeg

                  3b7d6077-abd6-4df8-8043-eaeff7f8d96d-image.jpeg

                  terryT 1 条回复 最后回复
                  0
                  • CS6C 离线
                    CS6C 离线
                    CS6
                    技术大牛
                    编写于 最后由 编辑
                    #11

                    感謝,我太久沒關注 N卡,還停留在舊價格

                    5 1 条回复 最后回复
                    0
                    • rolex loR rolex lo

                      @566656661 大神 看你用oclink 也有這個tks 我用底座 beelink pci 5.0 更加定了
                      就買4500 吧🙂‍↕️
                      數據實測結果十分好,都肯定兩張R9700也達不到

                      身心錢包都要痛了🤧

                      5 在线
                      5 在线
                      566656661
                      技术大牛
                      编写于 最后由 566656661 编辑
                      #12

                      @rolex-lo

                      還沒調整好, INT 4估計還能更快

                      INT4不會更快, 但是可以運用Autoround配合turboquant 4bit nc 壓榨更多KV Cache 空間 (詳情看22樓)

                      2張R9700走TP 2用Oculink跟 PCIe 5.0 x8 混合使用估計會出事誒, Oculink只有PCIe 4.0 x4, PCIe 5.0 x8, 結果就是只能走PCIe 4.0 x4

                      W 1 条回复 最后回复
                      0
                      • CS6C 离线
                        CS6C 离线
                        CS6
                        技术大牛
                        编写于 最后由 CS6 编辑
                        #13

                        @rolex-lo 我是一開始就打算雙卡,挑的主板支援 PCIe 5.0 x8 兩個...
                        你還是考慮單卡吧,不要重複消費

                        我這次已經浪費錢多賣了一組 DDR5 32*2 ram ,成本暴增

                        1 条回复 最后回复
                        0
                        • CS6C CS6

                          感謝,我太久沒關注 N卡,還停留在舊價格

                          5 在线
                          5 在线
                          566656661
                          技术大牛
                          编写于 最后由 566656661 编辑
                          #14

                          @CS6

                          其實我有想過RTX Pro 4500混合5090D一起使用, 畢竟兩張卡都是32GB, vLLM跑TP2不會有VRAM浪費

                          但是vLLM表明5090D會很大機會只有一半性能

                          CS6C 1 条回复 最后回复
                          0
                          • 5 566656661

                            @CS6

                            其實我有想過RTX Pro 4500混合5090D一起使用, 畢竟兩張卡都是32GB, vLLM跑TP2不會有VRAM浪費

                            但是vLLM表明5090D會很大機會只有一半性能

                            CS6C 离线
                            CS6C 离线
                            CS6
                            技术大牛
                            编写于 最后由 编辑
                            #15

                            @566656661 5090D 能送去華強北魔改嗎?

                            5 1 条回复 最后回复
                            0
                            • CS6C CS6

                              @566656661 5090D 能送去華強北魔改嗎?

                              5 在线
                              5 在线
                              566656661
                              技术大牛
                              编写于 最后由 编辑
                              #16

                              @CS6

                              如果像4090一樣應該可以...吧, 到時候我們就知道了

                              1 条回复 最后回复
                              1
                              • 5 566656661

                                基準測試

                                vLLM cu130 nightly (0.20) -> v0.22.1 cu129, 其餘包括benchmark不變

                                之後測試如果沒再提及Docker Image變化請默認為 v0.22.1-cu129-ubuntu2404

                                打了瞌睡, 發現原來參數沒刪乾淨, 只能帶著舊參數 + 新docker image 跑了

                                測試如下

                                | model                                    |             test |               t/s |     peak t/s |          ttfr (ms) |       est_ppt (ms) |      e2e_ttft (ms) |
                                | :--------------------------------------- | ---------------: | ----------------: | -----------: | -----------------: | -----------------: | -----------------: |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |           pp2048 | 4112.24 ± 2335.79 |              |   1000.79 ± 713.91 |    882.88 ± 713.91 |   1000.79 ± 713.91 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |            tg480 |      70.62 ± 0.93 | 90.67 ± 1.25 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d1000 |  6522.05 ± 180.65 |              |     585.81 ± 13.00 |     467.90 ± 13.00 |     585.81 ± 13.00 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d1000 |      72.00 ± 4.34 | 87.00 ± 0.82 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d5000 |  5716.09 ± 781.76 |              |   1377.22 ± 190.64 |   1259.31 ± 190.64 |   1377.22 ± 190.64 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d5000 |      71.20 ± 1.68 | 90.33 ± 3.40 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d10000 |   5791.35 ± 64.74 |              |    2198.74 ± 23.28 |    2080.84 ± 23.28 |    2198.74 ± 23.28 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d10000 |      70.74 ± 7.93 | 86.67 ± 4.19 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d20000 |    5015.72 ± 8.10 |              |     4513.90 ± 7.10 |     4395.99 ± 7.10 |     4515.13 ± 6.99 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d20000 |      68.54 ± 4.81 | 86.67 ± 3.68 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d50000 |    3643.75 ± 3.58 |              |   14402.48 ± 14.02 |   14284.58 ± 14.02 |   14404.87 ± 13.87 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d50000 |      71.21 ± 6.44 | 86.67 ± 1.25 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d100000 |    2495.95 ± 3.04 |              |   41003.94 ± 49.73 |   40886.04 ± 49.73 |   41008.28 ± 49.60 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d100000 |      61.24 ± 2.76 | 81.33 ± 3.86 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d150000 |    1898.18 ± 0.59 |              |   80220.31 ± 24.93 |   80102.40 ± 24.93 |   80226.48 ± 24.91 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d150000 |      63.09 ± 4.07 | 80.67 ± 4.92 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d200000 |    1531.27 ± 1.25 |              | 132066.32 ± 107.58 | 131948.41 ± 107.58 | 132076.34 ± 108.43 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d200000 |      58.89 ± 1.49 | 76.67 ± 3.77 |                    |                    |                    |
                                

                                GPT分析

                                指標 結論
                                pp2048 / prefill t/s cu130-0.20 全面較快
                                短 context cu130-0.20 優勢最大,純 pp2048 約快 88%,d1000 約快 25%
                                中長 context cu130-0.20 仍較快,但差距逐步縮小
                                d50000 以上 prefill 差距只剩約 1% - 2%
                                ttfr / e2e_ttft cu130-0.20 較低,代表首 token 等待時間較短
                                tg480 generation t/s cu129-0.22 平均略快,cu130-0.20 約慢 1.8% - 1.9%
                                peak generation t/s cu129-0.22 多數情況較高

                                看起來cu130 nightly或者說整個cu130是有特別針對blackwell做優化, cu129估計是針對30跟40系優化

                                5 在线
                                5 在线
                                566656661
                                技术大牛
                                编写于 最后由 编辑
                                #17

                                v0.22.1-cu129-ubuntu2404

                                VLLM_NVFP4_GEMM_BACKEND 因爲deprecated, 將由linear-backend自動選擇

                                VLLM_USE_FLASHINFER_MOE_FP4 因爲deprecated, 將由moe-backend自動選擇

                                測試結果

                                | model                                    |             test |               t/s |     peak t/s |          ttfr (ms) |       est_ppt (ms) |      e2e_ttft (ms) |
                                | :--------------------------------------- | ---------------: | ----------------: | -----------: | -----------------: | -----------------: | -----------------: |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |           pp2048 | 3815.72 ± 2638.08 |              |   1066.49 ± 675.13 |    946.43 ± 675.13 |   1066.49 ± 675.13 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |            tg480 |      71.54 ± 3.67 | 89.33 ± 1.70 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d1000 |  7097.86 ± 469.13 |              |     551.38 ± 27.36 |     431.33 ± 27.36 |     551.38 ± 27.36 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d1000 |      72.91 ± 1.96 | 86.67 ± 2.05 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   pp2048 @ d5000 |  6293.28 ± 200.29 |              |    1241.33 ± 35.85 |    1121.28 ± 35.85 |    1241.33 ± 35.85 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |    tg480 @ d5000 |      71.79 ± 1.34 | 90.00 ± 0.82 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d10000 |   5764.98 ± 66.54 |              |    2210.31 ± 24.36 |    2090.26 ± 24.36 |    2210.31 ± 24.36 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d10000 |      71.77 ± 5.24 | 86.00 ± 5.35 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d20000 |    5020.15 ± 9.69 |              |     4512.04 ± 8.31 |     4391.99 ± 8.31 |     4513.21 ± 8.16 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d20000 |      74.68 ± 1.77 | 94.00 ± 2.16 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  pp2048 @ d50000 |    3634.37 ± 3.95 |              |   14441.41 ± 15.57 |   14321.36 ± 15.57 |   14444.10 ± 15.13 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |   tg480 @ d50000 |      65.42 ± 5.26 | 83.33 ± 7.41 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d100000 |    2500.68 ± 0.47 |              |    40928.48 ± 7.63 |    40808.42 ± 7.63 |    40933.15 ± 7.29 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d100000 |      73.40 ± 4.21 | 85.00 ± 2.45 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d150000 |    1900.32 ± 1.39 |              |   80132.00 ± 58.27 |   80011.94 ± 58.27 |   80138.64 ± 57.60 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d150000 |      67.87 ± 1.65 | 79.67 ± 3.30 |                    |                    |                    |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP | pp2048 @ d200000 |    1535.79 ± 1.74 |              | 131680.08 ± 149.90 | 131560.02 ± 149.90 | 131688.59 ± 149.41 |
                                | Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP |  tg480 @ d200000 |      56.88 ± 2.29 | 73.33 ± 2.05 |                    |                    |                    |
                                

                                GPT結論

                                結論

                                cu130-0.20 的主要優勢在 prefill throughput 和 TTFT,特別是短到中等 context 的 prompt processing。

                                更新後的 cu129-0.22 在 token generation / decode throughput 上比之前更強,平均 tg480 generation t/s 約比 cu130-0.20 高 4.6%。

                                整體而言,若 workload 偏 prompt-heavy、RAG、長 prompt prefill,cu130-0.20 較合適;若 workload 偏長時間生成 token,cu129-0.22 較合適。

                                1 条回复 最后回复
                                0
                                • CS6C 离线
                                  CS6C 离线
                                  CS6
                                  技术大牛
                                  编写于 最后由 CS6 编辑
                                  #18

                                  @566656661 可以許願 https://microsoft.github.io/TRELLIS.2/ 測試嗎?
                                  剛剛跑 ROCm版堪用,但踩雷不少,等下也丟上來
                                  https://lcz.me/post/5275

                                  1 条回复 最后回复
                                  1
                                  • terryT terry 固定了该主题
                                  • 5 在线
                                    5 在线
                                    566656661
                                    技术大牛
                                    编写于 最后由 566656661 编辑
                                    #19

                                    以下是研究途中的碎碎唸, 不感興趣的可以不看


                                    碎碎唸1

                                    看了蠻多文件跟大神文章, 有幾個值得留意的地方

                                    Blackwell架構分成了Consumer Blackwell (sm 12x) 跟 Data Center Blackwell (sm 10x)
                                    
                                    所有Geforce, RTX Pro, DGX Spark, RTX Spark都歸屬在Consumer Blackwell
                                    
                                    其中最大的分別就是在於sm 12x缺少了tcgen05, 這也是Flash Attention 4裏面的核心技術
                                    
                                    底層MMA邏輯裏用的還是SM8X, 也就是目前的Flash Attention 2
                                    
                                    好家夥, 老黃這算不算是在欺詐啊...
                                    
                                    https://docs.vllm.ai/en/stable/configuration/env_vars/
                                    
                                    v0.22 cu129可以在--linear-backend (前身VLLM_NVFP4_GEMM_BACKEND)使用flashinfer-b12x而不是flashinfer-cutlass
                                    
                                    MoE模型 (Qwen 3.6 35BA3B 跟 Gemma 4 26BA4B) 可以通過在--moe-backend 設置flashinfer_b12x
                                    
                                    這個是特意為sm 12x架構優化的GEMM内核
                                    
                                    約有30%throughput增長, https://github.com/vllm-project/vllm/pull/39634
                                    
                                    這個我有點興趣先再試試看
                                    

                                    碎碎唸2 (吐槽)

                                    在一邊看vLLM文件一邊跑去問了Gemini, 講明了是Blackwell架構,居然還給了個VLLM_MXFP4_BACKEND=marlin, 先不説直接無視掉NVFP4, marlin是給沒有FP4硬件加速的啊... (NVFP4或者MXFP4都可用)

                                    VLLM_FLASHINFER_MOE_BACKEND還給了throughput這個預設參數, 也沒改成--moe-backend flashinfer_cutlass (雖然這個在27b 模型沒用到)

                                    錯誤示範, 不要學

                                    docker run -d \
                                      --name vllm-Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP \
                                      (中間省略)
                                      -e SERVED_MODEL_NAME="Huihui-Qwen3.6-27B-abliterated-NVFP4-MTP" \
                                      -e VLLM_ATTENTION_BACKEND="FLASHINFER" \
                                      -e VLLM_MXFP4_BACKEND="marlin" \
                                      -e VLLM_FLASHINFER_MOE_BACKEND="throughput" \
                                      -e VLLM_USE_FLASHINFER_SAMPLER="1" \
                                      -e VLLM_EXTRA_ARGS=
                                      (以下省略)
                                    
                                    5 1 条回复 最后回复
                                    0
                                    • rolex loR 离线
                                      rolex loR 离线
                                      rolex lo
                                      编写于 最后由 rolex lo 编辑
                                      #20

                                      @cs6 @566656661 不用擔心,我目的是單卡🙂‍↕️
                                      就是因為單卡所以更想買 4500

                                      R9700雙卡只是對比🤣 兩張R9700 都不如一張4500 效能

                                      小弟也是在香港 一張4500價格等於兩張r9700了...所以更想知道是否值得投資...
                                      不竟是兩倍價格..痛

                                      1 条回复 最后回复
                                      1
                                      • 5 566656661

                                        @CS6

                                        我的是5090D版 (住香港), 而且香港現在5090D貴到快要到2萬中, 非D都起碼要3萬頭港幣了

                                        差異的話我是沒特別留意, 畢竟5090D太多時候都是試驗品 + 日常使用

                                        4500的fp16 tflops卡在5070ti 跟 5080中間, Prefill的話你可以用5070ti作爲基準加個5%左右吧.

                                        至於CP嘛, 混合日常使用跟LLM肯定是5090更好, 怕功耗600w可以用afterburner降到最低400w左右, 引用一下這個Reddit Post, 性能損失如下:

                                        4024df3a-02d0-4254-a26d-c6e02b7ad156-image.jpeg

                                        3b7d6077-abd6-4df8-8043-eaeff7f8d96d-image.jpeg

                                        terryT 在线
                                        terryT 在线
                                        terry
                                        超级版主
                                        编写于 最后由 编辑
                                        #21

                                        @566656661 香港便宜这么多啊,能不能带过来,还是要补税?这特么暴利啊

                                        油管:https://www.youtube.com/@抡锤者

                                        5 1 条回复 最后回复
                                        0
                                        • 5 566656661

                                          93f0f237-99a2-4a6d-91c9-6474a2ec24a1-image.jpeg

                                          @kop-wang

                                          找到一個你可能感興趣的東西, 引用這位大神的文章

                                          沒有理解錯的話應該算是不同quantization下模型的精度, 原型BF16, 原型FP8, AWQ量化的INT4, AWQ 4bit (類似GGUF Q4的概念), Autoround量化的INT4

                                          部分任務好像NVFP4的精度還滿吃虧的

                                          5 在线
                                          5 在线
                                          566656661
                                          技术大牛
                                          编写于 最后由 566656661 编辑
                                          #22

                                          @kop-wang

                                          基於這個文章我也特意跑去試試INT4, 只能說老黃沒有把最後的良心都扔掉, 如果NVFP4比INT4沒有更多優勢的話, 真的要駡街了

                                          vLLM cu130 nightly (0.20)

                                          啓動跟測試參數跟1樓一樣, 單純換了個模型

                                          | model                                     |             test |              t/s |     peak t/s |          ttfr (ms) |       est_ppt (ms) |      e2e_ttft (ms) |
                                          | :---------------------------------------- | ---------------: | ---------------: | -----------: | -----------------: | -----------------: | -----------------: |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |           pp2048 | 1982.15 ± 894.28 |              |   1551.80 ± 975.03 |   1473.35 ± 975.03 |   1551.80 ± 975.03 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |            tg480 |     70.03 ± 2.28 | 87.67 ± 1.25 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |   pp2048 @ d1000 |  2639.16 ± 40.73 |              |    1233.51 ± 17.91 |    1155.06 ± 17.91 |    1233.51 ± 17.91 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |    tg480 @ d1000 |     71.09 ± 5.72 | 91.00 ± 5.89 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |   pp2048 @ d5000 |  2529.19 ± 13.93 |              |    2865.45 ± 15.52 |    2787.01 ± 15.52 |    2865.45 ± 15.52 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |    tg480 @ d5000 |     71.72 ± 1.86 | 91.33 ± 7.85 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  pp2048 @ d10000 |   2433.99 ± 3.22 |              |     5028.07 ± 6.36 |     4949.63 ± 6.36 |     5028.07 ± 6.36 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |   tg480 @ d10000 |     71.66 ± 3.22 | 90.67 ± 1.70 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  pp2048 @ d20000 |   2293.80 ± 0.84 |              |     9690.43 ± 3.52 |     9611.99 ± 3.52 |     9691.58 ± 3.56 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |   tg480 @ d20000 |     72.64 ± 2.80 | 88.67 ± 8.22 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  pp2048 @ d50000 |   1948.24 ± 1.20 |              |   26793.70 ± 16.21 |   26715.25 ± 16.21 |   26796.17 ± 16.70 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |   tg480 @ d50000 |     70.21 ± 5.02 | 85.67 ± 6.80 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound | pp2048 @ d100000 |   1567.89 ± 0.72 |              |   65164.49 ± 30.24 |   65086.05 ± 30.24 |   65168.84 ± 29.64 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  tg480 @ d100000 |     62.20 ± 1.73 | 84.67 ± 2.62 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound | pp2048 @ d150000 |   1313.09 ± 0.56 |              |  115872.26 ± 49.39 |  115793.81 ± 49.39 |  115879.31 ± 48.59 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  tg480 @ d150000 |     59.53 ± 3.51 | 80.33 ± 2.05 |                    |                    |                    |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound | pp2048 @ d200000 |   1128.87 ± 0.81 |              | 179060.75 ± 127.67 | 178982.30 ± 127.67 | 179069.38 ± 127.94 |
                                          | Qwen3.6-27B-heretic-v2-mtp-int4-AutoRound |  tg480 @ d200000 |     54.24 ± 1.72 | 74.33 ± 2.62 |                    |                    |                    |
                                          

                                          GPT分析

                                          指標 結論
                                          測試組合 cu130-0.20-int-4-autoround-mtp 對比 cu130-0.20-nvfp4-mtp
                                          pp2048 / prefill t/s NVFP4 明顯較快;INT4 AutoRound 平均 prefill 約慢 51.5%
                                          短 context INT4 AutoRound 在純 pp2048 約慢 74.4%,d1000 約慢 67.6%
                                          中等 context d5000 至 d20000,INT4 AutoRound prefill 約慢 55% - 62%
                                          長 context d50000 以上 INT4 AutoRound 仍較慢,但差距縮小到約 27% - 47%
                                          ttfr / e2e_ttft NVFP4 明顯較低;INT4 AutoRound 平均 TTFT 約高 124%
                                          tg480 generation t/s INT4 AutoRound 平均約快 1.2%,但不是全面勝出
                                          peak generation t/s INT4 AutoRound 平均約快 4.9%,多數 context 的 peak 較高
                                          長 context generation 在 d150000 和 d200000,INT4 AutoRound 的平均 generation t/s 反而低於 NVFP4

                                          結論

                                          在 cu130-0.20 nightly 下,NVFP4 MTP 的主要優勢非常清楚:prefill throughput 和 TTFT 明顯好過 INT4 AutoRound MTP,尤其短到中等 context 差距很大。

                                          INT4 AutoRound MTP 的優勢主要在 decode / generation,平均 tg480 稍快約 1.2%,peak generation 約快 4.9%,但長 context 下這個優勢不穩定,d150000 和 d200000 反而較慢。

                                          整體而言,如果 workload 是 prompt-heavy、RAG、長 prompt prefill 或重視首 token 延遲,NVFP4 MTP 明顯較合適。若 workload 幾乎完全是 decode-heavy,而且可以接受較慢 TTFT,INT4 AutoRound MTP 才有比較價值。


                                          理論上KV Cache可以透過使用eugr/spark-vllm-docker的docker image用tq-t4nc來進一步降低 (FP8的一半), 引用vLLm自己的文章

                                          Pareto frontier for Qwen3-30B-A3B-Instruct-2507 on 2xH100. FP8 matches BF16 throughput at 2x capacity. TurboQuant variants extend capacity to 2.3-3.7x but at 40-52% throughput reduction.
                                          122d2c2c-c600-4cb6-afb3-39211a61dbd0-image.jpeg

                                          精度上也算可以接受吧
                                          30553dc3-5ccd-4a07-8101-cca80064400a-image.jpeg

                                          1 条回复 最后回复
                                          0

                                          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,您每次返回时都能精准定位到您上次浏览的位置,并可选择接收新回复通知(通过邮件或推送通知)。您还能收藏书签、为帖子顶,向社区成员表达您的欣赏。

                                          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

                                          • 没有帐号? 注册

                                          • 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