双AI Pro R9700 32g，Qwen 3.6 27b q4 KM q8 KV Ubuntu24 Hermes agent
-
先说下感受，256k上下文，速度是真的慢，但是做研究真是很细。
同时偶然发现在线API虽快，但是比较粗糙，需要驾驭很好才行。
但是本地Qwen3.6，推理能力极强，工具调用，加上联网检索，最终效果挺好。
即使是模型和hermes都设置256k上下文，herems还会触发压缩，最终效果还是很够用的。
折腾了很多，Vllm和sglang搞不定，用了deepseek claude codex都搞不定，不是工具的问题，是我一点都不懂。只会说看看社区有什么成功的方案去尝试（我TM社区是啥都不知道）。
以下是llama cpp参数。问了AI 256k上下文，就是这个速度，不知道有没有好的优化方法。
硬件： 双 AMD Radeon AI Pro R9700（各 32GB VRAM）+ Intel Xeon E5-2686 v4
参数 值 说明 -mQwen3.6-27B-Q4_K_M.gguf标准版模型 -ngl99全部层卸载到 GPU -c262144262K 上下文（医疗文档长文本需要） -np1单并行槽（避免 OOM） --split-modelayer双卡按层切分（tensor 模式在 PCIe 瓶颈下更慢） --cache-type-k/vq8_0KV cache 精度，保持质量 --cache-ram0禁用跨请求 prompt cache（规避 crash） --no-cache-prompt— 禁用 prompt cache --mlock— 锁内存防 swap --defrag-thold0.1KV cache 碎片整理阈值 --reasoning off— 关闭 thinking 模式 -fa on— Flash Attention 性能基准
指标 数值 llama.cpp 版本 b9586 Decode 速度 ~24 tok/s（MTP版）；~24 tok/s（标准版） Prefill 速度 ~562 tok/s（MTP版）；~21 tok/s（标准版，短 prompt） tensor split 测试 19.4 tok/s（PCIe 瓶颈，不如 layer） -
T terry 固定了该主题
-
@Brian 关于256K上下文的优化，我补充几点经验：
-
KV cache量化是关键 — 27B Q4_K_M本身的模型权重约15GB（双R9700 32G刚好放下），但256K上下文的KV cache会吃掉大量显存。你可以在llama.cpp启动参数里加
--cache-type-k q4_0和--cache-type-v q4_0，把KV cache从默认的FP16压缩到Q4，KV cache显存占用直接降到1/4。配合--no-kv-offload把KV cache放到系统内存，模型权重独占显存，速度损失没有想象中那么大。 -
双卡配置确认 — R9700实际就是W7900的变体，建议确认
--tensor-split参数是否正确分配了负载。可以用--verbose启动看显存分配是否均衡。 -
关于laobenxiong提到的关掉压缩 — 他说的有道理，Hermes的压缩用的是DeepSeek做摘要，确实会丢失细节。但关了压缩后，每次请求都要重新prefill完整的256K上下文，这是速度瓶颈的主要来源。你可以试试开prompt caching（llama.cpp的
--no-prompt-cache默认是关闭kv缓存复用的）。 -
Batch size微调 — 试试
--ubatch-size 512配合--batch-size 2048，对长上下文场景的吞吐有帮助。 -
另外双R9700跑27B 256K，速度不可能太快，这是物理限制——大概4-6 tok/s是正常的。如果追求响应速度，可以缩减到128K上下文，速度会翻倍。
-
-
最近请求性能（task 25136, ~71K tokens context）
| 阶段 | 速度 | |-----------------|-------------------------| | prompt 处理前期 | 1319 tok/s (16K tokens) | | prompt 处理中期 | 909 tok/s (49K tokens) | | prompt 处理后期 | 577 tok/s (71K tokens) | | 总 prompt 时间 | 123.87s / 71,419 tokens | | 生成速度 | 17.4 tok/s (稳定) |当前运行状态
| 指标 | GPU 0 | GPU 1 | |------------|----------------|----------------| | 温度 | 64°C | 66°C | | 功耗 | 205W / 300W | 193W / 300W | | VRAM | 27.67 GB (80%) | 27.04 GB (79%) | | GPU 利用率 | 100% | 100% | | SCLK | 3366 MHz | 2973 MHz | - 进程 PID: 1016915，已运行 ~4h - 模型文件: /home/gaopy/models/Qwen3.6-27B-Q4_K_M.gguf (约 16 GB) - 生成速度: 实测 ~17-22 tok/s (当前 71K context 时 17.4 tok/s) -
我用兩張V100 32G, qwen3.6 27B Q8模型可以到4x, reasoning模式關閉感覺智力略降, 所以雖然會拖慢一點, 我還是開著. 參數如下:
Environment=CUDA_DEVICE_ORDER=PCI_BUS_ID
Environment=CUDA_VISIBLE_DEVICES=0,1
ExecStart=llama-server
-m /opt/models/qwen3.6-27b-mtp/Qwen3.6-27B-UD-Q8_K_XL.gguf
--host 0.0.0.0
--port 9527
--alias qwen3.6-27b-ud-q8-xl
-ngl 999
--split-mode layer
--tensor-split 1,1
--ctx-size 400000
--parallel 2
--spec-type draft-mtp
--spec-draft-n-max 2
--chat-template-file /opt/models/qwen3.6-27b-mtp/chat_template.jinja
--cache-type-k q8_0
--cache-type-v q8_0
--flash-attn on
--batch-size 1024
--ubatch-size 256
--no-mmap
--cont-batching
--jinja
--metrics
--no-context-shift
--temp 0.15
--top-p 0.90
--top-k 40
--min-p 0.03
--repeat-last-n 512
--repeat-penalty 1.1
Restart=always
RestartSec=5[Install]
WantedBy=multi-user.target -
系统 取消固定了该主题
