抡锤者

MK CHAO

9/4 更新版本 0.4.1
更新效能圖表工具，適應不同解析度，更多的細節參數設定等等

8/31更新新版本

增加了LOG讀取來做速度分析的功能及設定思考等級的功能喔~

請有需要的各位多多取用

常常下載了新的模型卻不會寫啟動參數嗎?

俺也一樣!

所以就讓AI與我合力做了這款llama-launcher
https://github.com/pttocean-afk/llama-launcher

支援快速設定、高速啟動、即時LOG、遠端啟動等功能
希望能回饋版上的各位

如果有任何想要改善的部分也歡迎跟我說

主畫面.png

遠端啟動介面.png

MK CHAO

@Quanta-Magic 我覺得你問錯地方了，這邊都是愛折騰的，你問10個可能9個已經有本地的Qwen3.8了，哈哈哈。

MK CHAO

小弟淺見
沒意外會變慢，但是可以跑的解析度跟時間長度會更好，各有優劣。

MK CHAO

@terry 不好意思看了你的影片才來加入論壇找解決方案，沒注意到是AI。

這邊附上圖，這大概是20K上下文左右的速度，約30T/S左右

如果馬上換成Qwen3.6-35B-A3B-UD-IQ4NL的話，約100T/S左右

MK CHAO

@terry 有想到什麼需求也可以跟我說一下，我看看有沒有力氣改
這些功能都是我自己想到的

MK CHAO

最近看到 LCZ 上有雙 RTX 5070 Ti 跑 Qwen3.8-27B 的分享，對方使用 tensor split + MTP，在特定條件下可達 50–75 tok/s。這裡整理自己的非對稱雙卡實測，想請教有經驗的玩家：在 5070 Ti + 3070 Ti 上，是否有更適合的 split mode、CUDA 參數或其他穩定優化方向？

一、硬體與軟體

GPU 0：RTX 5070 Ti 16GB
GPU 1：RTX 3070 Ti 8GB
系統：Windows 原生 llama.cpp
llama.cpp runtime：b10509
GPU split：16,8
split mode：layer
main GPU：GPU 0
--parallel 1
MTP：關閉
Vision/mmproj：本篇主測試關閉
電腦平時仍有 Windows 桌面常駐程式，因此 GPU 0 不會完全零占用；GPU 1盡量保持乾淨

兩張卡不是同型號，VRAM、記憶體頻寬與運算能力都不同，因此沒有照搬雙5070 Ti的tensor-split 1,1。

二、Qwen3.8-27B IQ4_NL：Vulkan 224K Thinking-On 真實Coding Agent

啟動條件

Model: Qwen3.8-27B-IQ4_NL.gguf
Runtime: Windows b10509 Vulkan
Context: 229,376 tokens（224K）
Split: layer / 16,8
KV: IQ4_NL K/V
Thinking: On
Vision: Off
MTP: Off
Parallel slots: 1

這不是固定短prompt benchmark，而是實際 DSH coding-agent 工作流，共117筆已完成樣本，包含工具操作與上下文逐步累積。

Decode 曲線

實際使用Context	樣本數	Decode中位數
0–16K	4	31.53 t/s
16–32K	2	30.41 t/s
32–64K	3	26.27 t/s
64–96K	12	23.23 t/s
96–128K	26	22.30 t/s
128–160K	62	19.72 t/s
160–192K	5	17.74 t/s
192–224K	3	16.87 t/s

穩定性

最高完成Context：210,515 tokens（205.58K）
最低健康Decode：16.71 t/s
Pipeline fallback：0
Vulkan OOM：0
Decode failure：0
llama.cpp truncation：0

DSH在約204.8K壓力門檻先做tool-result pruning，實際曾將server可見Context從210,515降到137,108；壓縮後下一輪Decode從16.87恢復到20.18 t/s。這次長Context工作全程可以正常完成。

三、同一模型改用Windows CUDA

Q4_0 KV結果

Model: Qwen3.8-27B-IQ4_NL.gguf
Runtime: Windows b10509 CUDA
Split: layer / 16,8
KV: Q4_0 K/V
Thinking: Off（速度邊界測試）
MTP: Off

Max Context	啟動／請求	8K附近暖機Decode
128K	正常	37.83 t/s
160K	正常	38.49 t/s
192K	正常，最高確認	38.51 t/s
224K	CUDA1 compute-buffer OOM	—
256K	CUDA1 compute-buffer OOM	—

192K、Q4_0 KV的原始Decode曲線：

1K   38.31 t/s
8K   36.84 t/s
16K  35.14 t/s
32K  32.37 t/s
65K  27.81 t/s
98K  24.32 t/s
131K 21.69 t/s
164K 19.55 t/s

CUDA + IQ4_NL KV

同一模型在CUDA改用IQ4_NL K/V可以載入，但實際進入病態慢速路徑：

8K左右Decode約3.66 t/s
Prompt processing也會隨長度明顯下滑
沒有看到熱降頻，較像CUDA backend/kernel路徑問題

因此目前實用分工是：

Vulkan：IQ4_NL KV
CUDA：Q4_0 KV

四、另一顆Qwen3.6 35B-A3B MoE對照

本機另有：

Qwen3.6-35B-A3B-UD-IQ4_NL

它是MoE，不是Dense，GGUF約16.8 GiB；Qwen3.8-27B IQ4_NL約15.2 GiB。雖然MoE權重檔較大，但它的KV架構較省，且每token只啟用部分expert。

Windows CUDA、Q4 KV、262K設定下，曾做過真實BunnyGO工作流曲線：

使用Context	Decode中位數
0–10K	118.27 t/s
10–30K	111.22 t/s
30–60K	93.85 t/s
60–90K	80.96 t/s
90–120K	70.07 t/s
120–150K	59.11 t/s
150–180K	51.19 t/s
180–200K	48.46 t/s

這顆目前比較適合高速文書、Wiki審查與大量Agent任務；Qwen3.8則保留給coding、複雜推理和重要review。

五、目前採用的方案

Qwen3.8-27B IQ4_NL
→ Coding主力
→ Vulkan / 224K / IQ4_NL KV / Thinking On / layer 16,8

Qwen3.6-35B-A3B UD-IQ4_NL
→ 高速任務主力
→ CUDA / Q4 KV / 可到262K / layer 16,8

六、想請教的問題

在 RTX 5070 Ti 16GB + RTX 3070 Ti 8GB 這種非對稱雙卡上，split-mode tensor是否值得嘗試？還是layer + 16,8通常更適合？
如果改用tensor split，是否有建議的比例？不確定1,1在非對稱卡上會不會讓3070 Ti成為瓶頸。
Qwen3.8-27B IQ4_NL在CUDA上使用IQ4_NL KV會固定進入慢速路徑，是否有人在較新的llama.cpp版本、CUDA版本或特定參數下成功改善？
對長Context coding agent來說，MTP在雙卡非對稱配置下是否真的值得？目前觀察到MTP會增加VRAM與配置複雜度，因此暫時關閉。
有沒有適合這種非對稱雙卡、要求單slot長Context與穩定性的llama.cpp參數建議？

抡锤者

MK CHAO

帖子