@terry 说:

@applejuice 这个我可以参考下，抄作业，有空弄下。awq的还是值得玩的。你Hermes调度时，有思考过程吗？

有的.
其实也不是我弄的
ai 全自动搞

#!/bin/bash
ln -sf /host-libs/libcuda.so.1 /usr/lib/x86_64-linux-gnu/libcuda.so.1 2>/dev/null
ldconfig 2>/dev/null
sglang serve --model-path /models/Qwen/Qwen3.6-27B-FP8 --host 0.0.0.0 --port 30000 --trust-remote-code --mem-fraction-static 0.8 --context-length 262144

如果在宿主机上：

#!/bin/bash
docker rm -f sglang 2>/dev/null
docker run --rm --pid=host --privileged busybox pkill -f sglang::scheduler 2>/dev/null
sleep 2
docker run -d --ipc=host --network=host --shm-size 32g   --name sglang --restart unless-stopped   --device /dev/nvidia0:/dev/nvidia0   --device /dev/nvidiactl:/dev/nvidiactl   --device /dev/nvidia-uvm:/dev/nvidia-uvm   --device /dev/nvidia-modeset:/dev/nvidia-modeset   --entrypoint /bin/bash   -v ~/docker/models:/models   -v ~/docker:/scripts   -v /usr/lib/x86_64-linux-gnu:/host-libs:ro   -e LD_LIBRARY_PATH=/host-libs   -e CUDA_VISIBLE_DEVICES=0   -e http_proxy= -e https_proxy= -e HTTP_PROXY= -e HTTPS_PROXY=   -e NO_PROXY='*'   lmsysorg/sglang:v0.5.15.post1   -c '/scripts/run_think.sh'
echo '等待40秒...'
sleep 40
docker logs sglang --tail 3 2>/dev/null | grep -E 'Uvicorn|running on' && echo '服务就绪!' || echo '检查: docker logs sglang'
~                                                                                                                                     

这都是Hermes自己配置的，我没参与调一个字母，建议你把你的Llama.cpp交给Hermes配置。你这个模型我不想用，有FP8版本的，干嘛换Q8的呢，Q8毫无意义，我希望用AWQ，或者Q4量化的，节约显存。

把这个复制给你的AI就能看懂了，当前我运行了22个小时，很稳定。

python -m sglang.launch_server
--model-path /home/ccadmin/AI/models/hf-mattbucci/Qwen3.6-27B-AWQ
--tensor-parallel-size 2
--dtype float16
--kv-cache-dtype fp8_e4m3
--context-length 262144
--mem-fraction-static 0.85
--max-running-requests 8
--chunked-prefill-size 8192
--num-continuous-decode-steps 32
--trust-remote-code
--watchdog-timeout 600
--port 30000
--host 0.0.0.0
--enable-metrics
--disable-custom-all-reduce
--served-model-name qwen36-dense
--max-mamba-cache-size 8
--chat-template …/Qwen3.6-27B-AWQ/chat_template.jinja
--reasoning-parser qwen3
--sampling-defaults model
--tool-call-parser qwen3_coder
--sampling-backend pytorch

Prefill (time-to-first-token, max_tokens=1)

Decode (steady-state generation)

#!/bin/bash
# Qwen3.6-27B-Fable Q6_K — llama.cpp 启动配置（优化版）
# GPU: RTX 4090D (48G) | 模型: 64 层混合 (16 Full Attention + 48 SSM)
# 目标：全 GPU 卸载，0 层在 CPU
# 优化：Q8_0→Q6_K + KV q4_0 + 线程调优，目标 25-28 t/s

set -e

# ═══════════════════════════════════════════
# 参数说明（每个都加注释）
# ═══════════════════════════════════════════

MODEL="/mnt/dataM4/models/Qwen3.6-27B-Fable-Fus-711-UnHeretic-NM-DAU-NEO-MAX-NEO-Q8_0.gguf"

# --gpu-layers 64: 全部 64 层都加载到 GPU 显存（不卸载到 CPU）
# 如果设 32 就只有前 32 层在 GPU，后 32 层在 CPU，速度减半
GPU_LAYERS=64

# --ctx-size 262144: 上下文窗口 262K tokens（模型原生支持 262144）
# 显存开销：KV Cache ~8GB（q8_0 量化）
CTX_SIZE=262144

# --batch-size 8192: 逻辑 batch（prefill 阶段一次处理多少 token）
# 决定 prompt 阶段的速度，越大 prefilled 越快
BATCH_SIZE=8192

# --ubatch-size 4096: 物理 batch（GPU 计算缓冲大小）
# GPU 内存里同时计算的 token 数，不超过显存
UBATCH_SIZE=4096

# --threads 6: 生成阶段 CPU 线程数（每生成 1 个 token）
# 纯 GPU 时影响不大，设小点省 CPU，避免线程调度开销
THREADS=6

# --threads-batch 8: Prefill 阶段 CPU 线程数（处理 prompt）
# 降低到 8，减少 CPU 竞争，GPU 是瓶颈不是 CPU
THREADS_BATCH=8

# --temp 0.7: 采样温度（0=确定性强，1.0=随机性强）
TEMP=0.6

# --top-p 0.95: Nucleus 采样，累积概率到 0.95 截断
TOP_P=0.95

# --top-k 20: 只选概率最高的 20 个 token 参与采样
TOP_K=20

# --flash-attn on: 开启 Flash Attention（RTX 4090D SM89 原生支持）
# 对 Qwen3.5 混合架构的 Full Attention 层有显著加速
FLASH_ATTN=on

# --cache-type-k/v q4_0: KV Cache 用 Q4_0 量化（大幅降低带宽压力）
# 实测：q4_0 KV cache 对生成质量影响<1%，但 decode 速度提升 10-15%
# bf16=16bit(大精度), q8_0=8bit, q4_0=4bit(最佳性价比)
CACHE_TYPE=q8_0

# --port 11434: 默认 Ollama 兼容端口
PORT=11434

# ═══════════════════════════════════════════
# 启动命令 — 全 GPU，无 CPU offload
# ═══════════════════════════════════════════

exec llama-server \
  --model "$MODEL" \
  --port "$PORT" \
  --ctx-size "$CTX_SIZE" \
  --batch-size "$BATCH_SIZE" \
  --ubatch-size "$UBATCH_SIZE" \
  --gpu-layers "$GPU_LAYERS" \
  --threads "$THREADS" \
  --threads-batch "$THREADS_BATCH" \
  --temp "$TEMP" \
  --top-p "$TOP_P" \
  --top-k "$TOP_K" \
  --flash-attn "$FLASH_ATTN" \
  --cache-type-k "$CACHE_TYPE" \
  --cache-type-v "$CACHE_TYPE" \
  --no-mmap \
  --mlock
  -ngl 99

，你llamacpp 跑45t/s？贴一下参数呗，有点夸张啊，我怎么设置都上不去。我是按照sglang的思路设置的。不开MTP45t/s 很顶啊。prefill cpp确实不快。我用sglang显存很容易到47G。你这个占用只有41.5g，咋配置的。？sglang 频繁上下文 prefill 也解决了。基本上随便浪了。命中率99%

VLLM不要测试了，其实高不成低不就，要跑Agent，目前就是SG-Lang+Qwen3.6 27b最好用。Llama.cpp 是你自己的设置问题我，我什么都不优化，不开MTP都45t/s，它的问题就是缓存不行，prefill慢到吐血。我今天明天发两个视频，第二个视频里我录个实际的效果你去对比下，看看速度如何。

我这边用AWQ的模型不行，不知道哪里出了问题，你可以贴下参数，我用的是FP8模型。然后上下文是开满了，长期运行之后，占用了41.5G 显存，驱动Herms速度比Llama.cpp和VLLM快多了。

我找個時間設立一下SGLang再配合OpenCode使用

1. llama.cpp 的 GGUF 格式本身有量化开销 — FP8 在 SGLang 里是原生支持的，llama.cpp 这边要跑 Q4_K_M 或 Q5_K_M 才能接近 SGLang 的速度，但精度有损失。而你跑的是 FP8，llama.cpp 对 FP8 支持不如 SGLang 直接。

2. 内存带宽瓶颈 — 你的 DDR3 1066 是主要原因。llama.cpp 的 prompt processing 阶段要频繁读模型权重，DDR3 1066 的四通道也就约 68GB/s 带宽。SGLang 的 RadixAttention 和 prefix caching 能大幅减少 KV cache 读写，所以对系统内存带宽的依赖比 llama.cpp 小很多。

3. 对比数据：4090D 48G 跑 27B FP8 在 llama.cpp 上，如果开 --no-mmap 把模型完全加载到 GPU，应该能到 20-25t/s。你现在只有 15t/s，很可能是系统内存瓶颈导致 GPU 没吃满。

建议：

• 如果要用 llama.cpp，加 --no-mmap 确保模型驻留 GPU VRAM（你的 48G 完全够装 27B FP8，约 27GB）
• 设置 --ctx-size 8192 避免 context 膨胀拖慢 decode
• SGLang 28t/s 对 4090D 来说已经是很好的成绩了，说明你配置没问题

总的来说：SGLang 的 28t/s 是合理的，llama.cpp 15t/s 也正常（受平台和量化格式限制）。不是你的配置有问题。