抡锤者

@深圳律师陈扬波 llama-server
-m Qwen3.6-35B-A3B-APEX-MTP-I-Compact.gguf
--mmproj mmproj-F16.gguf
-c 204800 \ # 200K上下文
--n-cpu-moe 32 \ # MoE专家权重CPU卸载(32线程)
--spec-type draft-mtp \ # MTP投机解码
--reasoning off \ # 禁用Think模式
--jinja \ # Jinja模板
-ngl 99 \ # GPU层全卸载
-ts 4,1 \ # 线程调度
-np 1 \ # 并行解码1
--port 8081
--host 0.0.0.0

有换两块3080 20g的冲动了，哈哈。
当时这个设备为了跑好两块3070还专门换了riser-3:Riser 3 Alternate (GPU版)，从亚马逊专门买的，所以两块都是pcie 3.0-x16的满速。另外一块riser-2默认是pcie3.0-x16,不需要折腾。
机架式服务器原装货，风扇可调，噪声可以接受，还是有潜力挖一挖的。

结果有些意外，没想到“废卡”还能派上用场。特别是生成速度、上下文窗口、多模态，以及低得吓人的功耗

用二手3070和淘汰服务器跑35B大模型的实践记录

硬件配置：

• Dell R730（2017年），双路E5-2680v4，56核，512GB DDR4
• 2张二手RTX 3070 8GB
• 推理框架：llama.cpp，CPU MoE offload
• 模型：Qwen3.6-35B-A3B（APEX量化17.3GB + MTP投机解码）

性能实测：

日常对话：36-40 tok/s
代码生成：60 tok/s（MTP命中率85%）
数学推理：52 tok/s
长上下文200K：45-50 tok/s
多模态图片理解：40-50 tok/s

上下文能力：

• 200K稳定运行，多模态+MTP全开
• 236K是多模态极限（128K到256K每12K逐档扫描确定）
• 256K纯文本可用，但多模态OOM

资源占用（最有价值的部分）：

GPU SM利用率最高23%，双卡TDP 440W实际只用了137W。
CPU 56核用了13核（23%）。
内存512GB用了25GB（5%）。

算力全部过剩。唯一不够的是带宽。

DDR4-2400八通道144GB/s(实测)，PCIe 3.0 x16只有16GB/s。MoE每次推理要从内存搬专家权重到CPU算，再通过PCIe回传GPU。GPU和CPU大部分时间都在等数据。

结论：本地MoE推理的瓶颈是访存带宽，不是算力。选硬件时优先看DDR5、PCIe 4.0、大显存，而不是核心数和GPU算力。

调优过程（4个维度21种配置自动化测试）：

MoE CPU线程数：32是唯一稳定值，16和56导致OOM，24和40/48直接崩溃。
批处理线程：28最佳，42无提升，56断崖下跌。
显存分配GPU0:GPU1=4:1，速度差距忽略不计，但余量差别巨大（1.5GB vs 126MB）。
NUMA绑定：效果不明显，不绑。

最关键的一个参数是-np 1。llama.cpp默认n_parallel=4，预分配4份KV cache，16GB显存直接撑爆。改成1份才能跑到200K。