抡锤者

David Zhang

最近刚入手了 7900xtx，本地跑llm, 为opencode, pi.dev 提供本地llm api 解决客户的代码隐私焦虑。

花了亿点点时间跑了下性能，结果如下，供各位参考。流水账，先不贴llama-bench 结果了，太多。

先发老特这里了，回头有空了再发个reddit
回头等DFlash + HIP(ROCM) 成熟了再跑下看看。

1. Rocm + turboquant,

repo: https://github.com/domvox/llama.cpp-turboquant-hip
性能: 256k上下文, pp: 970t/s tg: 29t/s
Comment：目前测试，除了反应没在线api 快，生成代码的质量不比在线api 差。

~/llama.cpp-turboquant-hip/rocm/llama-server -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Uncensored-HauhauCS-Aggressive-Q4_K_P.gguf   --mmproj ~/model/llm/qwen3.6-27b/mmproj-Qwen3.6-27B-Uncensored-HauhauCS-Aggressive-f16.gguf   --alias qwen3.6-27b   --host 0.0.0.0   --port 8080   --n-gpu-layers 999   --ctx-size 262144   --batch-size 2048   --ubatch-size 768   --threads 8   --temp 1.0      --top-p 0.95     --top-k 20     --min-p 0.00   --presence_penalty 1.5   --cache-type-k turbo3   --cache-type-v turbo3

2. Vulkan

repo: https://github.com/ggml-org/llama.cpp
性能: 256k上下文, kv-cache-type: Q4_0, pp: 730t/s tg: 47t/s, （Q8_0会慢一丢丢）

~/Downloads/llama.cpp/vulkan/bin/llama-server -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b  --cache-type-k q4_0 --cache-type-v q4_0 -np 1 -c 262144 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

2.1 Vulkan + turboquant,

repo: https://github.com/TheTom/llama-cpp-turboquant
性能: 256k上下文, kv-cache-type: Q4_0, tg: 10t/s, decoding 时 GPU 使用率不到 30%，速度拉跨。开MTP 也差不多。

~/llama.cpp/build/bin/llama-server   -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b   --cache-type-k turbo3 --cache-type-v turbo3   -np 1 -c 262144 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

3. Vulkan + MTP

repo/pr:
https://github.com/ggml-org/llama.cpp/pull/22673
性能: 256k上下文, kv-cache-type: Q4_0, pp: 730t/s tg: 67t/s， VRAM 占用跟不开MTP 差不多，

~/Downloads/llama.cpp/vulkan/bin/llama-server -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b   --spec-type mtp --spec-draft-n-max 3   --cache-type-k q4_0 --cache-type-v q4_0 -np 1 -c 262144 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

3. Rocm + MTP

repo/pr: https://github.com/ggml-org/llama.cpp/pull/22673
性能: 4k上下文, kv-cache-type: Q4_0, pp: 730t/s tg: 67t/s
Comment: Rocm的backend + MTP 有问题，VRAM 在开始对话时暴增 5G，具体原因不明，所以最多8k上下文， Rocm目前的好处是由 turbo quant 集成。

~/llama.cpp/build/bin/llama-server   -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b   --spec-type mtp --spec-draft-n-max 3   --cache-type-k q4_0 --cache-type-v q4_0   -np 1 -c 4096 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

4.Hipfire (DFlash) v0.1.20

repo: https://github.com/Kaden-Schutt/hipfire
性能: 4k上下文， pp: 930t/s tg: 46t/s，
Comment: 只能chat聊天，速度很快，默认开启 DFlash, 但是上下文8k 以上就会卡死，或者崩溃, 没法给 opencode 或者pi 使用，等三个月半年再看看。

5. 老卡 P40 24G，

repo: https://github.com/TheTom/llama-cpp-turboquant
pr: https://github.com/ggml-org/llama.cpp/pull/22673

不开MTP

性能: 196k 上下文，tg: 10t/s，

~/llama.cpp-mtp/build/bin/llama-server -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b  --cache-type-k turbo3 --cache-type-v turbo3 -c 196608 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

开MTP

性能: 196k上下文，tg: 17t/s，

~/llama-cpp-turboquant/build/bin/llama-server -m ~/model/llm/qwen3.6-27b/Qwen3.6-27B-Q4_K_M-mtp.gguf   --alias qwen3.6-27b   --spec-type mtp --spec-draft-n-max 3   --cache-type-k turbo3 --cache-type-v turbo3   -np 1 -c 196608 --temp 0.7 --top-k 20 -ngl 99   --port 8080 --host 0.0.0.0   -fa 1 -ub 256

opencode + deepseek v4 帮我跑了一把，结果如下

如果追求性能 Vulkan + MTP 效果最好，
MTP的性能不是恒定的，不同的上下文或者任务，可能存在很大的差别，你让他写小说，规划日常，写代码，性能提升可能会不一样，跑分仅供参考。
MTP 目前只能单个对话session，没法并行。
Vuklan 后端对 Turbo quant的支持还有存在问题， GPU利用率不够，还得优化。
Rocm + MTP 存在 VRAM问题，会无端暴涨5G占用，导致跑起来最多8k多一点。

llama-bench 测试结果

环境

MTP 模型: Qwen3.6-27B-Q4_K_M-mtp.gguf (15.82 GiB) https://huggingface.co/froggeric/Qwen3.6-27B-MTP-GGUF/
非MTP 模型: Qwen3.6-27B-Uncensored-HauhauCS-Aggressive-Q4_K_P.gguf (17 GiB) https://huggingface.co/HauhauCS/Qwen3.6-27B-Uncensored-HauhauCS-Aggressive
GPU: AMD Radeon RX 7900 XTX (24,560 MiB 显存)
CPU: Genuine Intel(R) 13900hk ES
线程数: 8
n-gpu-layers: 999 (完全卸载到 GPU)
温度: 0.7, top-k: 20

ROCm (HIP) - KV缓存类型对比 (非MTP)

二进制: ~/llama.cpp/rocm/bin/llama-bench (build 9046)

KV缓存类型	pp1024 (token/s)	tg128 (token/s)
f16 (默认)	904.50	28.99
q4_0	898.01	28.81

Vulkan - KV缓存类型对比 (非MTP)

标准构建 (`~/Downloads/llama.cpp/build-vulkan/bin/llama-bench`)

KV缓存类型	pp512 (token/s)	tg128 (token/s)
f16	765.94	37.06
Q4_0	769.82	37.17
Q8_0	273.25	37.13

Turboquant 构建 (`~/Downloads/llama-cpp-turboquant/build-vulkan/bin/llama-bench`)

KV缓存类型	pp512 (token/s)	tg128 (token/s)
turbo2	193.43 ± 1.49	23.79 ± 0.17
turbo3	128.44 ± 1.31	21.88 ± 0.14
turbo4	178.94 ± 2.03	23.00 ± 0.25

注意：turboquant 测试期间 GPU 使用率仅约 30%，未能充分利用 GPU。瓶颈可能在 CPU 端的量化/反量化操作。

q4_0/q8_0 在 turboquant 构建的 llama-bench 中仍然失败。

Vulkan + MTP

二进制: ~/llama.cpp/vulkan/bin/llama-cli
命令: --spec-type mtp --spec-draft-n-max 3 --parallel 1 -p "tell me a jok" -n 128 -ngl 999

注意：MTP 使用 -np 1（单并行序列），因此无法并行处理。草稿模型顺序执行，限制了吞吐量。

配置	生成速度 (token/s)
非MTP (f16)	39.5
MTP (q4_0)	81.2
MTP (q8_0)	77.5

ROCm + MTP

二进制: ~/llama.cpp/rocm/bin/llama-cli 配合 LD_LIBRARY_PATH

配置	生成速度 (token/s)
非MTP (f16)	29.4
MTP (q4_0)	53.6
MTP (turbo3)	47.4
MTP (turbo4)	57.2

总结

非MTP (llama-bench)

KV缓存类型	pp (token/s)	tg128 (token/s)	后端
f16	904.50	28.99	ROCm (pp1024)
q4_0	898.01	28.81	ROCm (pp1024)
f16	765.94	37.06	Vulkan 标准 (pp512)
Q4_0	769.82	37.17	Vulkan 标准 (pp512)
Q8_0	273.25	37.13	Vulkan 标准 (pp512)
turbo2	193.43	23.79	Vulkan turboquant (pp512)
turbo4	178.94	23.00	Vulkan turboquant (pp512)
turbo3	128.44	21.88	Vulkan turboquant (pp512)

MTP (llama-cli)

配置	生成速度 (token/s)	后端
MTP (q4_0)	81.2	Vulkan
MTP (q8_0)	77.5	Vulkan
MTP (turbo4)	57.2	ROCm
MTP (q4_0)	53.6	ROCm
MTP (turbo3)	47.4	ROCm
非MTP (f16)	39.5	Vulkan
非MTP (f16)	29.4	ROCm

关键观察

ROCm 上的 q4_0 性能与 f16 几乎相同 (898 vs 905 token/s) — 差异可忽略。
Turboquant 类型 仅适用于 turboquant Vulkan 构建。turbo2 的提示处理最快 (193 token/s @ pp512)。各 turbo 变体的生成速度相近 (~22-24 token/s)。
标准 Vulkan 构建 支持 Q4_0/Q8_0 — Q4_0 与 f16 速度相当 (~770 token/s pp512)，Q8_0 提示处理慢约 2.8 倍 (273 token/s) 但生成速度相同 (~37 token/s)。Turbo 类型仅适用于 turboquant 构建。
MTP 显著提升生成速度：Vulkan+q4_0 达到 81.2 token/s（比非MTP 提升 +106%），Vulkan+q8_0 达到 77.5 token/s (+96%)，ROCm+turbo4 达到 57.2 token/s (+95%)。

David Zhang

@Leon-Y ollama是个玩具不是工具，换llama.cpp或者 vllm

David Zhang

作业牛逼，可以置顶！

David Zhang

Rocm 不开MTP

Rocm 开MTP

Vulkan 不开MTP

Vulkan 开MTP

ctx:256k
`
ctx:4k

David Zhang

你都5090了，这个问题就有点多余了。随便找个平台轻轻跑起来，装个ubuntu+opencode 就基本完事了。

David Zhang

@Jame-Huang 请教个问题，4k左右的ctx，死磕这货的意义在哪？

David Zhang

@williamlouis 分享下遇到的坑，让大伙吃个瓜

David Zhang

下班开始折腾

David Zhang

关注 Lucebox 有几周了，终于最近AMD HIP backend 实现了 DFlash
https://github.com/Luce-Org/lucebox-hub
原帖: https://www.lucebox.com/blog/amd

然后我本地让opencode跑了下，单卡7900XTX，q8,q4,tq3, 256k ctx，结果如下：

Lucebox DFlash + PFlash 复现报告 (RX 7900 XTX)

硬件环境

项目	规格
GPU	AMD Radeon RX 7900 XTX (Navi 31, gfx1100)
显存	24 GiB GDDR6 (~936 GB/s)
系统内存	62 GiB DDR5
ROCm	7.1
系统	Ubuntu 26.04, Linux 7.0.0-14-generic

基准测试结果

模型: Qwen3.6-27B Q4_K_M (15.65 GiB)

Draft模型对比: 测试了两个 DFlash Draft模型:

Lucebox Q8_0 (1.84 GiB, 官方) — dflash-draft-3.6-q8_0.gguf
spiritbuun Q4_K_M (1.03 GiB, 社区) — dflash-draft-3.6-q4_k_m.gguf

结论: Q4 Draft 未带来性能提升。在 7900 XTX 上:

Draft计算阶段 Q4 反而更慢 (31.43 ms vs 27.46 ms) — Q4 反量化开销 + 可能较差的 kernel 优化
验证阶段 (target forward) 完全一致 (~68.8 ms)
Q4 Draft的接受率略有下降 (AL 4.69 vs 4.93)

所有后续测试均使用官方 Lucebox Q8_0 Draft。

Short-Prompt Decode (HumanEval, ~125 tok prompt, n_gen=128)

配置	KV 缓存	平均 tok/s	平均 AL	加速比 (vs llama.cpp HIP)
llama.cpp HIP AR	—	28.07	—	1.00x
DFlash (标准链式推测)	Q8_0	64.23	5.36	2.29x
DFlash DDTree budget=8	Q8_0	62.75	4.93	2.24x
DFlash DDTree budget=8	tq3_0	68.64	5.57	2.44x
DFlash DDTree budget=22	Q8_0	60.94	6.11	2.17x

Multi-Context Sweep (PFlash Prefill + DFlash Decode)

在不同上下文长度下，使用 PFlash 预填充（rocWMMA Phase 2）+ DFlash DDTree (budget=8) 解码，对比 llama.cpp HIP AR。

KV cache 使用 Q8_0（4K–64K）或 Q4_0（128K）量化以节省显存。

预填充性能 (tok/s)

上下文	llama.cpp HIP (AR)	Lucebox (PFlash)	加速比	备注
128	619.51	312.5	0.50x	PFlash 短上下文开销大
4K	734.57	726 (Q8 KV)	0.99x	持平
16K	649.08	735 (Q8 KV)	1.13x
64K	—¹	733 (Q8 KV)	—	¹llama.cpp context 创建 OOM
128K	—¹	730 (Q4 KV)	—
192K	—¹	730 (Q4 KV)	—
256K	—¹	730 (Q4 KV + Q4 draft / tq3_0 KV + Q8 draft / tq3_0 KV + Q4 draft)	—

¹ AR prefill 在 64K+ 无法运行，因为 llama.cpp 在 context 创建时就需要分配完整 KV cache（O(n²) 注意力 + 全量 KV 存储），64K Q4 KV 约 8 GiB + 模型 15 GiB 已超 24 GiB。这是 PFlash 的核心优势：压缩预填充将长 prompt 压缩为固定大小，prefill 复杂度从 O(n²) 降至 O(n)。

256K 时可用 Q4 Draft + Q4 KV cache、Q8 Draft + tq3_0 KV cache、或 Q4 Draft + tq3_0 KV cache。

解码性能 (tok/s)

上下文	llama.cpp HIP (AR)	DFlash (Q8 Draft)	DFlash (tq3_0 KV, Q8 Draft)	DFlash (Q4 Draft)	DFlash (tq3_0 KV, Q4 Draft)	加速比
128	28.07	62.75	68.64	59.01	—	2.44x
4K	27.77	86.37	79.27	82.72	78.75	3.11x
16K	27.79	76.87	72.43	—	78.57	2.77x
64K	27.78¹	78.33	71.96	—	75.72	2.82x
128K	27.78¹	78.82 (Q4 KV)	71.20	—	75.27	2.84x
192K	27.78¹	73.77	71.56	81.09 (Q4 KV)	76.54	2.92x
256K	27.78¹	OOM	72.26	81.01 (Q4 KV + Q4 draft)	75.70	2.92x

AR decode 速度与上下文长度无关（KV cache size 不影响单 token forward），因此所有行使用同一基线（4K 和 16K 实测均值 27.78 tok/s）。DFlash decode 在所有上下文下稳定加速 ~2.8-3.1x。
256K 时需 Q4 Draft + Q4 KV cache 才能装入 24 GiB 显存；tq3_0 KV (3.5 bpv) 在 256K 时可用 Q8 Draft或 Q4 Draft。

PFlash 预填充在短上下文（4K）与 AR 相当；上下文越长，PFlash 优势越明显（16K 时 1.13x）。DFlash 解码在所有上下文长度下保持 ~2.8–3.1x 加速。

关键发现

Budget=8 对 7900 XTX 最优 (62.75 tok/s)，与 blog 一致。GDDR6 高带宽下小树更好，避免 tile waste；LPDDR5X 的 Strix Halo 则需要 budget=22 来摊销 launch 开销。
2.24x 加速 与 blog 中 Strix Halo 的 2.23x 完全对应。7900 XTX 绝对速度 62.75 tok/s 远超 26.85 tok/s，归功于 ~9x 带宽优势。
标准链式推测 (无 DDTree) 略快 (64.23 tok/s)，说明短生成 (128 tokens) 下简单策略的 overhead 更低。
PFlash 预填充 在短上下文与 AR 持平（4K: 726 vs 735 tok/s），在长上下文发挥优势（16K: 735 vs 649 tok/s, 1.13x）。
DFlash 解码 在所有上下文长度稳定加速 2.8-3.1x，不受上下文长度影响。
tq3_0 KV (3.5 bpv) — 短提示 68.64 tok/s（2.44x），256K 可用 Q8 Draft。Q4 Draft + tq3_0 KV 在 4K–192K 长上下文略快于 Q8 Draft + tq3_0 KV（~75–79 vs ~71–79 tok/s），但 256K 有 OOM 风险。总体而言 tq3_0 提供了最优的压缩/速度平衡。

完整复现步骤

1. 克隆仓库（PR #119 已合并，无需再单独切换）

git clone https://github.com/Luce-Org/lucebox-hub.git
cd lucebox-hub
git submodule update --init --recursive

2. 安装 rocWMMA 头文件（可选但推荐，开启 Phase 2 FlashPrefill）

如果没有 sudo 权限安装 rocwmma 包，可直接从 GitHub 拉取头文件：

git clone --depth 1 https://github.com/ROCm/rocWMMA.git /tmp/rocwmma
mkdir -p /tmp/rocm_include/include
cp -r /tmp/rocwmma/library/include/rocwmma /tmp/rocm_include/include/rocwmma

3. 编译 (gfx1100 / 7900 XTX)

cd dflash
cmake -B build -S . \
  -DCMAKE_BUILD_TYPE=Release \
  -DDFLASH27B_GPU_BACKEND=hip \
  -DDFLASH27B_HIP_ARCHITECTURES=gfx1100 \
  -DDFLASH27B_HIP_SM80_EQUIV=ON \
  -DROCM_PATH=/tmp/rocm_include    # 上一步准备的路径，如已安装 rocwmma 则不需要

cmake --build build --target test_dflash -j$(nproc)

其他 GPU 架构请将 gfx1100 替换为对应值，如 gfx1151 (Strix Halo)、gfx1030 (Navi 21) 等。
如果不使用 rocWMMA，设置 -DDFLASH27B_HIP_SM80_EQUIV=OFF 使用 q8 fallback。

4. 下载模型

mkdir -p models/draft
wget -c -O models/Qwen3.6-27B-Q4_K_M.gguf \
  "https://huggingface.co/unsloth/Qwen3.6-27B-GGUF/resolve/main/Qwen3.6-27B-Q4_K_M.gguf"
wget -c -O models/draft/dflash-draft-3.6-q8_0.gguf \
  "https://huggingface.co/Lucebox/Qwen3.6-27B-DFlash-GGUF/resolve/main/dflash-draft-3.6-q8_0.gguf"

5. 安装 Python 依赖（用于 bench 脚本）

pip3 install --break-system-packages transformers torch

6. 运行基准测试

# DFlash DDTree budget=8 (推荐用于 gfx1100)
cd dflash
LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH \
DFLASH_BIN=$PWD/build/test_dflash \
DFLASH_TARGET=$PWD/models/Qwen3.6-27B-Q4_K_M.gguf \
DFLASH_DRAFT=$PWD/models/draft/dflash-draft-3.6-q8_0.gguf \
DFLASH27B_DRAFT_SWA=2048 \
DFLASH27B_PREFILL_UBATCH=512 \
  python3 scripts/bench_he.py --n-gen 128 --ddtree-budget 8

环境变量说明

环境变量	含义
`DFLASH_BIN`	test_dflash 二进制路径
`DFLASH_TARGET`	目标模型 GGUF 路径
`DFLASH_DRAFT`	Draft模型 GGUF 路径
`DFLASH27B_DRAFT_SWA`	Qwen3.6 Draft的 sliding window attention 窗口 (2048)
`DFLASH27B_PREFILL_UBATCH`	压缩预填充的 micro-batch 大小 (512，对应 PR #159)

bench_he.py 常用参数

参数	说明
`--n-gen N`	每个 prompt 生成 token 数 (默认 128)
`--ddtree-budget N`	DDTree 节点预算 (8/22/32/48/64/96/128)
`--ddtree-temp T`	Draft logits 温度 (T<1 加宽 top-1/top-2 差距)
`--max-ctx N`	最大上下文长度
`--target-tokenizer REPO`	目标模型 tokenizer (默认 Qwen/Qwen3.5-27B)
`--target-split-dflash`	使用目标层拆分模式（显示 prefill 耗时）
`--skip-tokenize`	跳过 tokenize 步骤（复用缓存）

7. 多上下文压力测试

测试不同上下文长度下 PFlash prefill + DFlash decode 性能：

# 生成不同长度的 prompt 文件
python3 -c "
import struct
from pathlib import Path
d = Path('/tmp/dflash_sweep')
d.mkdir(parents=True, exist_ok=True)

# 读取一个真实的 HumanEval prompt 作为种子
he = open('/tmp/dflash_bench/he_prompt_Qwen_Qwen3.5-27B_00.bin', 'rb').read()
tokens = [struct.unpack('<i', he[i*4:(i+1)*4])[0] for i in range(len(he)//4)]

for target, name in [(4096, '4k'), (16384, '16k'), (65536, '64k'), (131072, '128k'), (262144, '256k')]:
    repeated = (tokens * (target // len(tokens) + 1))[:target]
    p = d / f'prompt_real_{name}.bin'
    p.write_bytes(b''.join(struct.pack('<i', t) for t in repeated))
    print(f'Created {name} prompt')
"

# 运行测试（示例：4K 上下文，Q8 KV cache）
export DFLASH27B_DRAFT_SWA=2048 DFLASH27B_PREFILL_UBATCH=512
LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH \
  build/test_dflash \
  models/Qwen3.6-27B-Q4_K_M.gguf \
  models/draft/dflash-draft-3.6-q8_0.gguf \
  /tmp/dflash_sweep/prompt_real_4k.bin \
  128 /dev/null --fast-rollback --ddtree --ddtree-budget=8 --max-ctx=8704 \
  -ctk q8_0 -ctv q8_0

# 更大上下文示例（128K 需 Q4 KV）
LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH \
  build/test_dflash \
  models/Qwen3.6-27B-Q4_K_M.gguf \
  models/draft/dflash-draft-3.6-q8_0.gguf \
  /tmp/dflash_sweep/prompt_real_128k.bin \
  128 /dev/null --fast-rollback --ddtree --ddtree-budget=8 --max-ctx=200000 \
  -ctk q4_0 -ctv q4_0

KV cache 量化和上下文选择指南：

上下文	推荐 KV 量化	说明
上下文	推荐 KV 量化	说明
--------	-------------	------
4K–16K	`-ctk q8_0 -ctv q8_0`	有足够显存裕量
64K	`-ctk q8_0 -ctv q8_0`	显存紧张但可用
128K	`-ctk q4_0 -ctv q4_0`	Q8 超出 24 GiB 显存
256K	`-ctk tq3_0 -ctv tq3_0` (Q8 draft)	tq3_0 (3.5 bpv) 配合 Q8 Draft可装入 24 GiB

KV 类型基准结果（7900 XTX, DDTree budget=8, Q8 draft）

KV 类型	解码 (tok/s)	加速比 vs AR (28.07)	备注
AR (llama.cpp HIP)	28.07	1.00x	基线
默认（无显式类型）	57.70	2.06x	q8_0 默认
Q8_0	58.84	2.10x	显式 q8_0
Q4_0	57.32	2.04x	DFlash 解码
tq3_0	68.64	2.44x	短提示；3.5 bpv 压缩
turbo2/3/4	—	—	CUDA cpy 需要 f32→turbo 转换

tq3_0 多上下文解码性能（Q8 draft vs Q4 draft）：

上下文	AR (tok/s)	Q8 draft (tok/s)	Q4 draft (tok/s)	加速比
4K	27.77	79.27	78.75	2.85x
16K	27.79	72.43	78.57	2.83x
64K	27.78	71.96	75.72	2.73x
128K	27.78	71.20	75.27	2.71x
192K	27.78	71.56	76.54	2.76x
256K	27.78	72.26	75.70	2.73x

关键发现：

tq3_0 短提示最优（68.64 tok/s, 2.44x），优于 Q8 draft 基线（62.75）
tq3_0 + Q4 draft 在长上下文（16K–192K）快于 tq3_0 + Q8 draft（多 3–7 tok/s），因 Q4 draft 计算时间更稳定
256K 上下文：Q8 Draft + tq3_0 KV 可靠运行（72.26 tok/s）；Q4 Draft + tq3_0 KV 也可行（75.70 tok/s）但有 OOM 风险
短上下文（4K）时 tq3_0 + Q8 draft 解码（79.27 tok/s）略低于普通 Q8 draft（86.37 tok/s），因 WHT 旋转开销；tq3_0 + Q4 draft 在 4K 为 78.75 tok/s
tq3_0 提供 4.6× 压缩比（3.5 bpv），256K 无需降级到 Q4 Draft

KV 类型解析自测：

./build/test_kv_quant

9. 编译并运行 llama.cpp 基线对比

# 在 dflash/deps/llama.cpp 目录下单独编译
BUILD_DIR=/tmp/llama-bench-build
cmake -B $BUILD_DIR -S dflash/deps/llama.cpp \
  -DCMAKE_BUILD_TYPE=Release \
  -DGGML_HIP=ON \
  -DLLAMA_BUILD_TOOLS=ON
cmake --build $BUILD_DIR --target llama-bench -j$(nproc)

# 运行基线（短 prompt）
LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH \
$BUILD_DIR/bin/llama-bench \
  -m models/Qwen3.6-27B-Q4_K_M.gguf \
  -n 128 -p 128 -o md

# 不同上下文长度
for ctx in 4096 16384 65536; do
  LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH \
    $BUILD_DIR/bin/llama-bench \
    -m models/Qwen3.6-27B-Q4_K_M.gguf \
    -n 128 -p $ctx -ngl 99 -o md 2>&1 | grep -E "pp|tg"
done

与 Blog 数据对比

指标	Strix Halo (gfx1151) Blog	7900 XTX (gfx1100) 实测
llama.cpp HIP AR	12.02 tok/s	28.07 tok/s
DFlash (最优 budget)	26.85 tok/s (budget=22)	62.75 tok/s (budget=8)
加速比	2.23x	2.24x
最优 budget	22 (LPDDR5X 带宽瓶颈)	8 (GDDR6 高带宽)

Blog 原文: https://www.lucebox.com/blog/amd

注意

BSA scoring kernel 在 HIP 上未实现，回退到 ggml flash_attn_ext（约 3.4x 慢于 CUDA BSA）。这是 PFlash 的剩余优化空间。
PR #159 的 ubatch=512 通过 DFLASH27B_PREFILL_UBATCH=512 环境变量应用（在 PR #119 基础上手动覆盖）。
显存限制: 7900 XTX 24 GiB 不足以运行 16K 上下文的完整 PFlash 测试。16K KV cache + 模型权重 (~16 GiB + ~6 GiB KV 缓存) 超出 24 GiB。Strix Halo 的 128 GiB 统一内存才能支持大上下文 + 大模型。

tq3_0 KV 优缺点总结

方面	优点	缺点
压缩比	3.5 bpv（4.6× vs F16），比 Q4_0 省 ~0.5 bpv	比 Q8_0 有信息损失，但解码质量未降级
解码速度 (短提示)	68.64 tok/s（2.44x），优于 Q8/q4_0 KV 基线	—
解码速度 (多上下文)	Q4 draft 搭配时 16K–192K 达 75–79 tok/s，比 Q8 draft 快	Q8 draft 搭配时 4K 略低于普通 Q8 KV（79 vs 86），WHT 旋转开销
256K 支持	可用 Q8 draft（无需降级Draft质量），72 tok/s；Q4 draft 搭配 76 tok/s	Q4 draft + tq3_0 256K 有 OOM 风险（显存碎片）
显存节省	256K 比 Q4_0 KV 省 ~1 GiB，足够容纳 Q8 draft	—
兼容性	HIP/ROCm 端到端验证通过，`parse_kv_type` 支持	turbo2/3/4 仍需 CUDA cpy kernel 支持
适用场景	256K 长上下文 + Q8 draft（推荐）；短提示通用加速	4K 极短上下文追求极致 tok/s 时用普通 Q8_0 KV 更快

KV 类型对比分析：q8_0 vs q4_0 vs tq3_0

基于 7900 XTX (24 GiB) + Qwen3.6-27B Q4_K_M 的实测数据，按上下文长度分档总结：

4K 及以下（短上下文，128–4K）

KV 类型	Draft	tok/s	显存	质量	推荐？
q8_0	Q8	86.37	充裕	无损	首选
q8_0	Q4	82.72	充裕	无损	备选
tq3_0	Q8	79.27	更省	3.5 bpv	WHT 开销拖慢 ~8%
tq3_0	Q4	78.75	最省	3.5 bpv	—

结论：短上下文显存充裕，q8_0 KV + Q8 draft 速度最快（86 tok/s），无需 tq3_0。tq3_0 的 WHT 旋转开销在短上下文时无法被显存优势抵消。

16K–64K（中等上下文）

KV 类型	Draft	tok/s	显存约束	质量
q8_0	Q8	76–78	64K 需 PFlash（AR OOM）	无损
q8_0	Q4	—	64K 勉强	无损
tq3_0	Q8	72	充裕	3.5 bpv
tq3_0	Q4	75–79	充裕	3.5 bpv

结论：

16K：q8_0 + Q8 最快（77 tok/s），tq3_0 + Q4 不相上下（79 tok/s）。
64K：q8_0 + Q8 仍可用（PFlash），78 tok/s；tq3_0 + Q4 略慢（76 tok/s）但更省显存。
tq3_0 + Q4 draft 在此区间表现最好（75–79 tok/s），因 Q4 draft 计算更稳定，抵消了 tq3_0 的 WHT 开销。

128K–192K（长上下文）

KV 类型	Draft	tok/s	显存约束	质量
q4_0	Q8	74–79	128K ✓，192K ✗（超 24 GiB）	4.5 bpv
q4_0	Q4	81	需 Q4 draft 省 ~1 GiB	4.5 bpv
tq3_0	Q8	71	128K ✓，192K 勉强	3.5 bpv
tq3_0	Q4	75–77	充裕	3.5 bpv

结论：

128K：q4_0 + Q8 最快（79 tok/s），显存刚好够。
192K：q4_0 必须配 Q4 draft（81 tok/s）；tq3_0 + Q8 可免去降级Draft（72 tok/s）。
追求极致速度：q4_0 + Q4 draft（81 tok/s）；追求Draft质量：tq3_0 + Q8 draft（72 tok/s）。

256K（超长上下文）

KV 类型	Draft	tok/s	显存约束	质量
q4_0	Q8	OOM	Q8 KV + Q8 draft 超 24 GiB	—
q4_0	Q4	81.01	勉强装入，需 Q4 draft 省显存	4.5 bpv + Q4 Draft
tq3_0	Q8	72.26	✓ 可靠运行，无需降级Draft	3.5 bpv + Q8 Draft
tq3_0	Q4	75.70	✓ 但有 OOM 风险（碎片）	3.5 bpv + Q4 Draft

结论：

推荐方案：tq3_0 KV + Q8 draft（72 tok/s）—— 唯一保留 Q8 Draft质量的 256K 方案。
极致速度：q4_0 KV + Q4 draft（81 tok/s），但Draft质量最低。
不推荐：tq3_0 + Q4 draft（76 tok/s）—— 速度不如 q4_0 + Q4，Draft质量不如 tq3_0 + Q8。

总选择指南

场景	最佳组合	理由
聊天/对话（4K 内）	q8_0 KV + Q8 draft	最快解码，无损质量
文档分析（16K–64K）	tq3_0 KV + Q4 draft	速度与显存的最佳平衡
代码库理解（128K–192K）	q4_0 KV + Q4 draft（要速度）<br>tq3_0 KV + Q8 draft（要Draft质量）	前者快 10%，后者Draft更准
超长上下文（256K）	tq3_0 KV + Q8 draft	唯一能兼顾 Q8 Draft + 256K 的方案
显存极度紧张	tq3_0 KV + Q4 draft	最省显存（但 256K 有 OOM 风险）

一句话总结：tq3_0 最大的价值在于 256K 场景下保留 Q8 Draft质量，这是 q4_0 KV 做不到的。在 16K–192K 区间，tq3_0 + Q4 draft 是值得考虑的高性价比组合。短上下文（4K 内）直接上 q8_0 KV 即可。

测试细节数据

1. 短提示解码 (HumanEval, 10 prompts, n_gen=128)

1a. llama.cpp HIP AR 基线

$ llama-bench -m Qwen3.6-27B-Q4_K_M.gguf -n 128 -p 128 -o md
| model                    | size     | params  | backend | ngl | test   | t/s              |
|--------------------------|----------|---------|---------|-----|--------|------------------|
| qwen35 27B Q4_K - Medium | 15.65 GiB| 26.90 B | ROCm    | 99  | pp128  | 619.51 ± 3.29    |
| qwen35 27B Q4_K - Medium | 15.65 GiB| 26.90 B | ROCm    | 99  | tg128  | 28.07 ± 0.06     |

1b. Lucebox Q8 Draft (官方)

DDTree budget=8

$ bench_he.py --n-gen 128 --ddtree-budget 8

prompt                         steps     AL   pct%  prefill   decode
------------------------------------------------------------------------
  has_close_elements              22   5.82   36.4      n/a    74.25
  separate_paren_groups           23   5.57   34.8      n/a    70.97
  truncate_number                 42   3.05   19.0      n/a    39.32
  below_zero                      22   5.82   36.4      n/a    74.16
  mean_absolute_deviation         28   4.57   28.6      n/a    58.51
  intersperse                     25   5.12   32.0      n/a    65.33
  parse_nested_parens             23   5.57   34.8      n/a    70.23
  filter_by_substring             28   4.57   28.6      n/a    58.29
  sum_product                     26   4.92   30.8      n/a    62.29
  rolling_max                     30   4.27   26.7      n/a    54.13
------------------------------------------------------------------------
MEAN                                   4.93   30.8      n/a    62.75

commit/step 范围: 3.05 - 5.82
tok/s 范围:    39.3 - 74.2

DDTree budget=22

$ bench_he.py --n-gen 128 --ddtree-budget 22

prompt                         steps     AL   pct%  prefill   decode
------------------------------------------------------------------------
  has_close_elements              16   8.00   50.0      n/a    80.41
  separate_paren_groups           16   8.00   50.0      n/a    80.08
  truncate_number                 33   3.88   24.2      n/a    39.03
  below_zero                      16   8.00   50.0      n/a    80.53
  mean_absolute_deviation         24   5.33   33.3      n/a    52.11
  intersperse                     26   4.92   30.8      n/a    49.51
  parse_nested_parens             21   6.10   38.1      n/a    60.51
  filter_by_substring             25   5.12   32.0      n/a    51.54
  sum_product                     20   6.40   40.0      n/a    63.81
  rolling_max                     24   5.33   33.3      n/a    51.83
------------------------------------------------------------------------
MEAN                                   6.11   38.2      n/a    60.94

commit/step 范围: 3.88 - 8.00
tok/s 范围:    39.0 - 80.5

标准链式推测 (无 DDTree)

$ bench_he.py --n-gen 128

prompt                         steps     AL   pct%  prefill   decode
------------------------------------------------------------------------
  has_close_elements              17   7.53   47.4      n/a    90.09
  separate_paren_groups           21   6.10   39.6      n/a    72.99
  truncate_number                 41   3.12   19.5      n/a    37.79
  below_zero                      19   6.74   44.1      n/a    80.57
  mean_absolute_deviation         25   5.12   32.2      n/a    61.26
  intersperse                     31   4.13   25.8      n/a    49.59
  parse_nested_parens             21   6.10   38.4      n/a    72.60
  filter_by_substring             28   4.57   29.0      n/a    54.95
  sum_product                     22   5.82   37.8      n/a    69.52
  rolling_max                     29   4.41   28.0      n/a    52.94
------------------------------------------------------------------------
MEAN                                   5.36   34.2      n/a    64.23

commit/step 范围: 3.12 - 7.53
tok/s 范围:    37.8 - 90.1

1c. spiritbuun Q4 Draft

DDTree budget=8

$ bench_he.py --n-gen 128 --ddtree-budget 8

prompt                         steps     AL   pct%  prefill   decode
------------------------------------------------------------------------
  has_close_elements              23   5.57   34.8      n/a    69.64
  separate_paren_groups           22   5.82   36.4      n/a    74.49
  truncate_number                 40   3.20   20.0      n/a    40.57
  below_zero                      31   4.13   25.8      n/a    51.59
  mean_absolute_deviation         30   4.27   26.7      n/a    53.28
  intersperse                     24   5.33   33.3      n/a    66.22
  parse_nested_parens             28   4.57   28.6      n/a    58.52
  filter_by_substring             26   4.92   30.8      n/a    61.48
  sum_product                     26   4.92   30.8      n/a    63.17
  rolling_max                     31   4.13   25.8      n/a    51.18
------------------------------------------------------------------------
MEAN                                   4.69   29.3      n/a    59.01

标准链式推测 (无 DDTree)

$ bench_he.py --n-gen 128

prompt                         steps     AL   pct%  prefill   decode
------------------------------------------------------------------------
  has_close_elements              18   7.11   45.1      n/a    82.30
  separate_paren_groups           17   7.53   50.4      n/a    89.03
  truncate_number                 36   3.56   22.4      n/a    41.97
  below_zero                      30   4.27   26.7      n/a    49.76
  mean_absolute_deviation         24   5.33   35.4      n/a    61.82
  intersperse                     35   3.66   23.0      n/a    43.04
  parse_nested_parens             24   5.33   35.4      n/a    63.36
  filter_by_substring             24   5.33   35.7      n/a    61.94
  sum_product                     23   5.57   36.1      n/a    66.46
  rolling_max                     30   4.27   27.1      n/a    49.96
------------------------------------------------------------------------
MEAN                                   5.20   33.7      n/a    60.96

1d. Q8 vs Q4 Draft vs tq3_0 KV 对比总结

配置	Draft	KV 类型	平均 tok/s	平均 AL	vs AR 加速比
AR (llama.cpp)	—	—	28.07	—	1.00x
标准链式	Q8	q8_0	64.23	5.36	2.29x
标准链式	Q4	q8_0	60.96	5.20	2.17x
DDTree b=8	Q8	q8_0	62.75	4.93	2.24x
DDTree b=8	Q4	q8_0	59.01	4.69	2.10x
DDTree b=8	Q8	tq3_0	68.64	—	2.44x
DDTree b=22	Q8	q8_0	60.94	6.11	2.17x

tq3_0 KV 短提示解码最优（68.64 tok/s, 2.44x），比 Q8 Draft + q8_0 KV 快 9%，比 Q4 Draft 快 16%。3.5 bpv 压缩比额外节省 ~1 GiB 显存。

David Zhang

有，但是huggingface会更多

David Zhang

@terry opencode 跑出来了，数据上来看 DFlash + PFlash确实可以

预填充性能 (tok/s)

上下文	llama.cpp HIP (AR)	Lucebox (PFlash)	加速比	备注
128	619.51	312.5	0.50x	PFlash 短上下文开销大
4K	734.57	726 (Q8 KV)	0.99x	持平
16K	649.08	735 (Q8 KV)	1.13x
64K	—¹	733 (Q8 KV)	—	¹llama.cpp context 创建 OOM
128K	—¹	730 (Q4 KV)	—
192K	—¹	730 (Q4 KV)	—
256K	—¹	730 (Q4 KV + Q4 draft)	—

¹ AR prefill 在 64K+ 无法运行，因为 llama.cpp 在 context 创建时就需要分配完整 KV cache（O(n²) 注意力 + 全量 KV 存储），64K Q4 KV 约 8 GiB + 模型 15 GiB 已超 24 GiB。这是 PFlash 的核心优势：压缩预填充将长 prompt 压缩为固定大小，prefill 复杂度从 O(n²) 降至 O(n)。

256K 需使用 Q4 Draft + Q4 KV cache 以节省显存。

解码性能 (tok/s)

上下文	llama.cpp HIP (AR)	Lucebox (DFlash)	加速比	备注
128	28.07	62.75	2.24x
4K	27.77	86.37	3.11x
16K	27.79	76.87	2.77x
64K	27.78¹	78.33	2.82x	¹AR decode 与 ctx 无关
128K	27.78¹	78.82 (Q4 KV)	2.84x
192K	27.78¹	81.09 (Q4 KV)	2.92x
256K	27.78¹	81.01 (Q4 KV + Q4 draft)	2.92x

AR decode 速度与上下文长度无关（KV cache size 不影响单 token forward），因此所有行使用同一基线（4K 和 16K 实测均值 27.78 tok/s）。DFlash decode 在所有上下文下稳定加速 ~2.8-3.1x。
256K 时需 Q4 Draft + Q4 KV cache 才能装入 24 GiB 显存。

PFlash 预填充在短上下文（4K）与 AR 相当；上下文越长，PFlash 优势越明显（16K 时 1.13x）。DFlash 解码在所有上下文长度下保持 ~2.8–3.1x 加速。

David Zhang

@terry 在试了... 等我发帖

lucebox 现在已经有了 tq_3, 意不意外，惊不惊喜。

David Zhang

大家伙先等等抄作业，目前Lucebox的代码还有点坑，只有cli模式下才会真正启动 dflash, --daemon模式压根就没启用。
我先尝试修改下看看效果，回头再更新这帖子。抱歉各位~

刚刚调通，跑了下，炸裂。我再完善下，一会儿把代码push到github吧。

Lucebox DFlash + PFlash 编译与部署指南

1. 克隆与子模块初始化

git clone https://github.com/Luce-Org/lucebox-hub.git
cd lucebox-hub
git submodule update --init --recursive

2. 编译

2.1 系统依赖

# CUDA (NVIDIA)
sudo apt install build-essential cmake git

# ROCm (AMD)
sudo bash dflash/scripts/setup_system.sh

2.2 编译 dflash (GPU Kernel + test_dflash)

cd dflash

# CUDA (NVIDIA, e.g. RTX 4090 sm_89)
cmake -B build -S . \
  -DCMAKE_BUILD_TYPE=Release \
  -DCMAKE_CUDA_ARCHITECTURES=89
cmake --build build --target test_dflash -j$(nproc)

# ROCm (AMD, e.g. 7900 XTX gfx1100)
# 可选：安装 rocWMMA 头文件以开启 Phase 2 FlashPrefill
git clone --depth 1 https://github.com/ROCm/rocWMMA.git /tmp/rocwmma
mkdir -p /tmp/rocm_include/include
cp -r /tmp/rocwmma/library/include/rocwmma /tmp/rocm_include/include/rocwmma

cmake -B build -S . \
  -DCMAKE_BUILD_TYPE=Release \
  -DDFLASH27B_GPU_BACKEND=hip \
  -DDFLASH27B_HIP_ARCHITECTURES=gfx1100 \
  -DDFLASH27B_HIP_SM80_EQUIV=ON
cmake --build build --target test_dflash -j$(nproc)

DFLASH27B_HIP_SM80_EQUIV=ON 开启 rocWMMA Phase 2 预填充。若不用 rocWMMA，设为 OFF 使用 q8 fallback。

2.3 编译 llama.cpp 基线 (可选)

BUILD_DIR=/tmp/llama-bench-build
cmake -B $BUILD_DIR -S dflash/deps/llama.cpp \
  -DCMAKE_BUILD_TYPE=Release \
  -DGGML_CUDA=ON                    # NVIDIA
  # -DGGML_HIP=ON                   # AMD
cmake --build $BUILD_DIR --target llama-bench llama-server -j$(nproc)

2.4 安装 Python 依赖 (server.py)

pip install fastapi uvicorn transformers pydantic starlette

3. 下载模型文件

3.1 目录结构

lucebox-hub/
├── dflash/
│   ├── models/
│   │   ├── Qwen3.6-27B-Q4_K_M.gguf     # 目标模型 (~16 GB)
│   │   ├── Qwen3-0.6B-BF16.gguf         # PFlash drafter (~1.2 GB)
│   │   └── draft/
│   │       └── dflash-draft-3.6-q8_0.gguf  # 推测解码草稿模型 (~1.84 GB)
│   └── build/
│       └── test_dflash                   # GPU daemon 二进制
└── ...

3.2 下载命令

cd dflash
mkdir -p models/draft

# 方式 A: huggingface-cli
huggingface-cli download unsloth/Qwen3.6-27B-GGUF \
  Qwen3.6-27B-Q4_K_M.gguf --local-dir models/

huggingface-cli download Lucebox/Qwen3.6-27B-DFlash-GGUF \
  dflash-draft-3.6-q8_0.gguf --local-dir models/draft/

huggingface-cli download unsloth/Qwen3-0.6B-GGUF \
  Qwen3-0.6B-BF16.gguf --local-dir models/

# 方式 B: wget
wget -c -O models/Qwen3.6-27B-Q4_K_M.gguf \
  "https://huggingface.co/unsloth/Qwen3.6-27B-GGUF/resolve/main/Qwen3.6-27B-Q4_K_M.gguf"

wget -c -O models/draft/dflash-draft-3.6-q8_0.gguf \
  "https://huggingface.co/Lucebox/Qwen3.6-27B-DFlash-GGUF/resolve/main/dflash-draft-3.6-q8_0.gguf"

wget -c -O models/Qwen3-0.6B-BF16.gguf \
  "https://huggingface.co/unsloth/Qwen3-0.6B-GGUF/resolve/main/Qwen3-0.6B-BF16.gguf"

4. 启动命令（按上下文长度）

所有命令从 lucebox-hub/dflash/ 目录执行。

️ 重要：DFlash / PFlash 不能直接用 llama-server 启动。
llama-speculative-dflash.cpp + llama-server 的集成是待办事项（见 README Contributing），尚未实现。
目前必须使用 dflash/scripts/server.py——它在内部将 test_dflash 作为子进程 daemon 运行，
对外暴露 OpenAI 兼容 API（/v1/chat/completions），功能与用法和 llama-server 一致。
对接 Open WebUI / LM Studio / Cline 时只需设 OPENAI_API_BASE=http://localhost:8080/v1 即可。

模型路径变量说明：以下命令假设模型文件位于 dflash/models/ 下，draft 位于 dflash/models/draft/。如果你的路径不同，修改 --target / --draft / --prefill-drafter 参数。

4.1 短上下文 (4K) — q8_0 KV + Q8 draft，最快解码

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q8_0.gguf \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  --max-ctx 8704 \
  --fa-window 2048 \
  --budget 8 \
  --host 0.0.0.0 --port 8080

显存充裕，无需 PFlash 压缩
budget=8 对 7900 XTX 最优（GDDR6 高带宽）

4.2 中等上下文 (16K–64K) — 推荐 tq3_0 KV + Q4 draft

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q4_k_m.gguf \
  --cache-type-k tq3_0 --cache-type-v tq3_0 \
  --max-ctx 131072 \
  --fa-window 2048 \
  --budget 8 \
  --prefill-compression auto \
  --prefill-threshold 32000 \
  --prefill-drafter models/Qwen3-0.6B-BF16.gguf \
  --host 0.0.0.0 --port 8080

tq3_0 + Q4 draft 在 16K–64K 区间达 75–79 tok/s，速度与显存的最佳平衡
PFlash 压缩长 prompt 至 5%，64K 预填充 ~733 tok/s

4.3 长上下文 (128K–192K) — 速度优先用 q4_0 + Q4 draft

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q4_k_m.gguf \
  --cache-type-k q4_0 --cache-type-v q4_0 \
  --max-ctx 200000 \
  --fa-window 2048 \
  --budget 8 \
  --prefill-compression auto \
  --prefill-threshold 32000 \
  --prefill-drafter models/Qwen3-0.6B-BF16.gguf \
  --host 0.0.0.0 --port 8080

解码 ~81 tok/s（最快），使用 Q4 draft 节省 ~1 GiB 显存
192K 仅 q4_0 KV + Q4 draft 可装入 24 GiB

4.4 长上下文 (128K–192K) — 草稿质量优先用 tq3_0 + Q8 draft

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q8_0.gguf \
  --cache-type-k tq3_0 --cache-type-v tq3_0 \
  --max-ctx 200000 \
  --fa-window 2048 \
  --budget 8 \
  --prefill-compression auto \
  --prefill-threshold 32000 \
  --prefill-drafter models/Qwen3-0.6B-BF16.gguf \
  --host 0.0.0.0 --port 8080

解码 ~72 tok/s，保留 Q8 草稿质量（比 Q4 draft 更准确）
tq3_0 3.5 bpv 压缩释放 ~1 GiB 显存给 Q8 draft

4.5 超长上下文 (256K) — 推荐 tq3_0 + Q8 draft（唯一方案）

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q8_0.gguf \
  --cache-type-k tq3_0 --cache-type-v tq3_0 \
  --max-ctx 270000 \
  --fa-window 2048 \
  --budget 8 \
  --prefill-compression auto \
  --prefill-threshold 32000 \
  --prefill-drafter models/Qwen3-0.6B-BF16.gguf \
  --host 0.0.0.0 --port 8080

唯一能在 256K 保留 Q8 草稿质量的方案
tq3_0 (3.5 bpv) 省 ~1 GiB 显存，刚好容纳 Q8 draft
解码 ~72 tok/s，预填充 ~730 tok/s

4.6 超长上下文 (256K) — 极致速度 q4_0 + Q4 draft

python scripts/server.py \
  --target models/Qwen3.6-27B-Q4_K_M.gguf \
  --draft models/draft/dflash-draft-3.6-q4_k_m.gguf \
  --cache-type-k q4_0 --cache-type-v q4_0 \
  --max-ctx 270000 \
  --fa-window 2048 \
  --budget 8 \
  --prefill-compression auto \
  --prefill-threshold 32000 \
  --prefill-drafter models/Qwen3-0.6B-BF16.gguf \
  --host 0.0.0.0 --port 8080

解码 ~81 tok/s（最快），但草稿质量最低
显存勉强装入 24 GiB

5. 快速选择指南

场景	KV 类型	Draft	tok/s	特点
聊天 (≤4K)	q8_0	Q8	86	最快，无损质量
文档分析 (16K–64K)	tq3_0	Q4	75–79	速度/显存最佳平衡
代码理解 (128K–192K)	q4_0	Q4	81	极致速度
代码理解 (128K–192K)	tq3_0	Q8	72	草稿质量优先
超长上下文 (256K)	tq3_0	Q8	72	推荐，唯一 Q8 方案
超长上下文 (256K)	q4_0	Q4	81	最快但有 OOM 风险

6. 对接客户端

服务器启动后，兼容 OpenAI API，可对接任意客户端：

# 测试
curl http://localhost:8080/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"model":"luce-dflash","messages":[{"role":"user","content":"你好"}],"stream":true}'

Open WebUI / LM Studio / Cline 配置：

API Base: http://localhost:8080/v1
API Key: sk-any（任意值）
Model: luce-dflash

7. 常用环境变量

变量	说明	默认值
`DFLASH27B_DRAFT_SWA`	Draft 滑动窗口大小	2048
`DFLASH27B_PREFILL_UBATCH`	PFlash 预填充 micro-batch	512
`DFLASH_BIN`	test_dflash 二进制路径	`build/test_dflash`
`DFLASH_TARGET`	目标模型路径	`models/Qwen3.6-27B-Q4_K_M.gguf`
`DFLASH_DRAFT`	Draft 模型路径	`models/draft/`

David Zhang

@Tony-Wang 如果你已经入手了，那就只能欢迎入坑了。如果还没买那就千万别买，我最近认真研究过这货，坑太多。除非你用windows, 还不玩游戏。

David Zhang

@陳瑋我试过gemme4 26, p40能跑到 42t/s,
在linux下，能用，但是模型能力一般般，写代码简单的可以，复杂得就算了

David Zhang

@terry 我觉得 Google 发这个模型的目的主要是为换license，模型能力估计没太重视。目前有 qwen3.6 27b, 35b 就够了。

David Zhang

@Chan-Ivan 估计是两张显卡的 pcie 带宽瓶颈，如果3.0 x16, 向量并行，我猜应该不止这个速度，reddit上也有人跑过双xtx。

David Zhang

williamlouis 我也是啊，感觉现在developer 快要回家种地去了。
api吧，deepseek v4真香

David Zhang

@jenaflex
https://github.com/ggml-org/llama.cpp/issues/22867 这里提到的change:
https://github.com/am17an/llama.cpp/pull/5
不管用，再 Rocm下照样爆VRAM

抡锤者

David Zhang

帖子

1. Rocm + turboquant,

2. Vulkan

2.1 Vulkan + turboquant,

3. Vulkan + MTP

3. Rocm + MTP

4.Hipfire (DFlash) v0.1.20

5. 老卡 P40 24G，

不开MTP

开MTP

opencode + deepseek v4 帮我跑了一把，结果如下

llama-bench 测试结果

环境

ROCm (HIP) - KV缓存类型对比 (非MTP)

Vulkan - KV缓存类型对比 (非MTP)

标准构建 (~/Downloads/llama.cpp/build-vulkan/bin/llama-bench)

Turboquant 构建 (~/Downloads/llama-cpp-turboquant/build-vulkan/bin/llama-bench)

Vulkan + MTP

ROCm + MTP

总结

非MTP (llama-bench)

MTP (llama-cli)

关键观察

Rocm 不开MTP

Rocm 开MTP

Vulkan 不开MTP

Vulkan 开MTP

Lucebox DFlash + PFlash 复现报告 (RX 7900 XTX)

硬件环境

基准测试结果

Short-Prompt Decode (HumanEval, ~125 tok prompt, n_gen=128)

Multi-Context Sweep (PFlash Prefill + DFlash Decode)

预填充性能 (tok/s)

解码性能 (tok/s)

关键发现

完整复现步骤

1. 克隆仓库（PR #119 已合并，无需再单独切换）

2. 安装 rocWMMA 头文件（可选但推荐，开启 Phase 2 FlashPrefill）

3. 编译 (gfx1100 / 7900 XTX)

4. 下载模型

5. 安装 Python 依赖（用于 bench 脚本）

6. 运行基准测试

环境变量说明

bench_he.py 常用参数

7. 多上下文压力测试

KV 类型基准结果（7900 XTX, DDTree budget=8, Q8 draft）

9. 编译并运行 llama.cpp 基线对比

与 Blog 数据对比

注意

tq3_0 KV 优缺点总结

KV 类型对比分析：q8_0 vs q4_0 vs tq3_0

4K 及以下（短上下文，128–4K）

16K–64K（中等上下文）

128K–192K（长上下文）

256K（超长上下文）

总选择指南

测试细节数据

1. 短提示解码 (HumanEval, 10 prompts, n_gen=128)

1a. llama.cpp HIP AR 基线

1b. Lucebox Q8 Draft (官方)

DDTree budget=8

DDTree budget=22

标准链式推测 (无 DDTree)

1c. spiritbuun Q4 Draft

DDTree budget=8

标准链式推测 (无 DDTree)

1d. Q8 vs Q4 Draft vs tq3_0 KV 对比总结

预填充性能 (tok/s)

解码性能 (tok/s)

Lucebox DFlash + PFlash 编译与部署指南

1. 克隆与子模块初始化

2. 编译

2.1 系统依赖

2.2 编译 dflash (GPU Kernel + test_dflash)

2.3 编译 llama.cpp 基线 (可选)

2.4 安装 Python 依赖 (server.py)

3. 下载模型文件

3.1 目录结构

标准构建 (`~/Downloads/llama.cpp/build-vulkan/bin/llama-bench`)

Turboquant 构建 (`~/Downloads/llama-cpp-turboquant/build-vulkan/bin/llama-bench`)