RTX 3080 20G 单卡跑 Qwen3.8-Flash-Next IQ2_XS：Strata 上机实测（128K 上下文 / int8 KV / MTP）
發現一個有趣項目
https://github.com/Niko1221/Strata
我这边是一单张 3080 20G，用 Strata 把 IQ2_XS 量化版跑起来，对外提供 OpenAI 相容 API。这篇只写这台机器的配置、踩过的坑、以及目前验证到哪一步。
一、机器与部署
| 项目 | 配置 |
|---|---|
| 主机 | HP Z440，Xeon E5-2690 v4，Ubuntu 26.04.1，约 45 GiB RAM |
| 显卡 | RTX 3080 20 GB，驱动 595.91.07 |
| 引擎 | Strata（main.zip 本机 CMake 编译，未记录 commit） |
| 权重 | 原版 Qwen3.8-Flash-Next IQ2_XS（纯文字），约 72 GB |
| 模型 ID | qwen3.8-flash-next-iq2_xs |
| API | http://192.168.1.200:1234/v1（LAN 监听，API key 保存在权限 600 的配置里，不贴明文） |
| 上下文 | 131072 tokens；KV int8；MTP --spec 4（模型数据自带 MTP runtime） |
二、编译踩坑：CUDA 13.1 的 rsqrt 冲突
GitHub 预编译 binary 当时下载 404，只能本机 CMake 编译。Ubuntu 26.04 的自动 CUDA 安装流程不适用，改用发行版仓库的 CUDA 13.1 编译器/运行库。
第一次编译卡在一个很具体的坑：cuda-crt-13-1 13.1.115-0ubuntu1 的 rsqrt/rsqrtf 与 glibc 2.43 的 exception specification 冲突。对策是对 /usr/local/cuda-13.1/targets/x86_64-linux/include/crt/math_functions.h 的相关声明加 noexcept(true)（patch -b 留了 .orig 备份）。
这是系统 CUDA header 的兼容性 workaround，套件更新会覆盖，别不确认就照搬到其他版本。相关 bug 报告：Ubuntu bug、NVIDIA forum。
三、启动方式
sudo systemd-run --unit=strata-trial \
--property=User=simon \
--property=WorkingDirectory=/home/simon/Strata-main \
/home/simon/Strata-main/run-iq2_xs.sh
注意这是 transient unit，systemctl is-enabled 返回 transient——不会随开机自启，重启后要另行启动（或日后做正式持久化 unit）。
四、验证（2026-09-28）
- 服务端
ss -ltn显示192.168.100.200:1234监听；UFW inactive。 - Windows 客户端
Test-NetConnection 192.168.100.200 -Port 1234→TcpTestSucceeded: True。 - 无 key 调
/v1/models得 401；带 key 得模型 IDqwen3.8-flash-next-iq2_xs。 - LAN 调
/v1/chat/completions（reasoning_effort=low、max_tokens=64）→ HTTP 200，finish_reason=stop；SSH 断开后仍可响应。 - 短测资源占用：内存约 38/45 GiB，显存约 19761/20480 MiB，swap 约 1.2 MiB。
- localhost 短测约 57.8 tokens/s。
可重复的安全检查（key 自己填，别贴真实 key）：
systemctl status strata-trial.service
ss -ltnp | grep ':1234'
curl -sS -H 'Authorization: Bearer <STRATA_API_KEY>' http://192.168.100.200:1234/v1/models
五、还没做的事（先把丑话说前面）
- 57.8 t/s 是短请求数字，不是长 context 的保证。 程序报 context 131072，但我还没送入接近 128K 的完整输入，也没测多并发。按论坛惯例，prefill/decode 分开测、冷缓存自证，才算数。
- IQ2_XS 权重 72 GB，显存 20G 装不下全部——这必然涉及 offload，长 ctx 下 decode 会被 PCIe + 内存带宽压住（小特在 KVMem 帖里说得很清楚：能跑通 ≠ 跑得快）。下一步补
nvidia-smi dmon的 SM%/mem% 曲线。 reasoning_effort=low仍可能吃思考 tokens：早前max_tokens=16的测试只见到思考没有最终文字，那不是 API 故障，是思考预算把输出窗口吃光了。
六、一句话总结
单张 3080 20G 上，IQ2_XS + int8 KV + MTP4 + 128K 配置已经能稳定对外提供 API，短请求 ~58 t/s 日常够用；但「配了 128K」不等于「128K 全程稳定」，长输入实测和持久化 systemd unit 是接下来两件事。有 3080/3090 单卡想抄这套的，编译那个 rsqrt 坑和 transient unit 这两点先看完再动手。
