抡锤者

@jenaflex 说:

这样，你有没有办法在另一台确认好用的服务器上（而且不是近期才安装过CPU的），插你买的内存，先只插一条，跑memtest里面的最快的一个测试，应该几分钟就好了，然后把所有内存插上，跑完整的全部测试，这样就确保内存没问题了。

根据你说的“4条内存条插在MM1-3-4-5-6五个插槽中任意4个就正常”，
我的经验是：大概率，要么是CPU扣具的压力不均匀，要么是你安装拧紧扣具的1、2、3螺丝的时候，拧紧的扭矩不均匀，导致有一些LGA pin接触了CPU，有一些接触不良。最好买一个官方CPU扣具的扭矩扳手。

你一开始“插了两条”没问题，可能就说正好那两条内存控制器的pin是接触良好的。

试过就算这次点亮了，重启大概率又挂，吃饭的家伙还是不要靠这个了。

@terry 说:

@Tony-Tong 这么重要的信息你要单独发个帖子，我给置顶，附带实拍图啊。

週一空了出細節。

我也是华南的主板，刚开始512GB可以点亮，但是频率必须降到1600，用了一年半一次重启就起不来了，只能识别最多64G内存，然后质保换了返修，现在只能识别150多G内存（必须插180G才能点亮）太妖了，后来懒得折腾，卖了256G的内存回血（大赚一笔）。但是总结经验，华南的内存信号设计功底很拉胯，不超过128G可以考虑，超过128G最好还是买大牌子的服务器主板，全部插满都没问题，这个是确实玄学，搞华南的主板研究了2块，超过3个星期，确定是通病。不超过128G看不出来。

【交作业】2×4090D 48G + 4080S 32G 三卡异构：双卡摊分 125B IQ3_XXS 131K 常驻，117K prefill 5,287 t/s、decode 133 t/s（Strata 0.2.9，附完整参数与工作数据）

日期：2026-10-31 ｜ Strata 0.2.9（build 0.1.55）｜ driver 621.01 / CUDA 13.5 ｜ Win10 22H2

---

0. 机器

项	值
GPU	@01 RTX 4090D 48G（桌面输出 3440×1440 + ComfyUI 专用卡，按需拉起）· @41 RTX 4090D 48G（主 LLM）· @61 RTX 4080S 32G（LLM 副卡），全部 PCIe 直插，无 NVLink
CPU / 内存	AMD Threadripper PRO 5965WX（24C48T）/ 256 GB DDR4-2400（8×32G，专家与 KV 的第二层）
主板 / 系统	ASUS WRX80（BIOS 1801）/ Win10 专业版 22H2
模型	Qwen3.8-Flash-Next-GSQ-RCO-abliterated IQ3_XXS（GGUF 双分片，第二分片是 PLE 专家层，走 --ple-io mmap）+ mmproj BF16 视觉塔
上下文	131,072（KV int8），引擎自带视觉输入
功耗墙	350W / 350W / 270W；Ada 算力解锁已做（Tensor FP16/BF16/TF32 近翻倍，decode/INT8 基本不变）

---

1. 部署

双卡摊分：主卡 4090D 驻主权重（34.2G），副卡 4080S 摊专家层（27.9G）。CUDA_VISIBLE_DEVICES 按 GPU UUID 钉卡——这机器三张实卡 + BMC 虚拟显卡，数字顺序必漂移。

引擎参数（全）：

--native <IQ3_XXS-00001.gguf> --ple-gguf <IQ3_XXS-00002.gguf>
--expert-profile <expert-profile.bin> --expert-cache auto --prefill auto
--spec 4 --spec-min-p 0.5 --mtp <mtp/rt>
--max-context 131072 --kv int8 --kv-resident 32768
--vram-reserve-mib 3000 --pool-workers 15 --pool-affinity auto
--vision --ple-io mmap

env: STRATA_RESIDENT_PIN=1, CUDA_DEVICE_ORDER=PCI_BUS_ID, CUDA_VISIBLE_DEVICES=<UUID4090D>,<UUID4080S>

四个坑（都踩过）：

1. 副卡不给 --vram-reserve-mib 3000 留头，prefill 会撞 OOM（4080S 32G 摊完权重本来就顶）；
2. 钉卡必须用 UUID，桌面插哪张、BMC 排第几都会改变数字编号；
3. --kv-resident 32768 + RESIDENT_PIN=1 + 256G 内存，专家缓存零分页，这是 131K 不掉的真正原因；
4. ComfyUI 铁律只上桌面卡（4090D@01），永不碰 4080S——两张 LLM 卡的显存图全程干净。

---

2. 工作数据（今晚快照：LLM 常驻推理 + 桌面静置 + ComfyUI 未拉起）

卡	角色	显存占用	利用率	温度	功耗
@01 4090D 48G	桌面 + ComfyUI 按需	189 MiB	0%	33.6℃	20W
@41 4090D 48G	主 LLM	34.2G	16%	49.1℃	108W
@61 4080S 32G	LLM 副卡	27.9G	26%	44.8℃	63W

推理中三卡合计 ~191W；空闲只剩桌面卡 20W。CPU 负载 0%，内存占用 76G/256G（大头是双卡 pinned）；盘 19% / E: 17% / G: 27%。服务：8080 = LLM（131K + 视觉）常驻，ComfyUI 按需非常驻。

---

3. 实测

方法：自建 Python harness 直打 /v1/chat/completions，temp=0；引擎不返回 llama.cpp 的 timings，全部 wall 口径。防缓存：语料每段嵌唯一页码、每轮换唯一盐，杜绝块级前缀命中虚高。

prefill 随上下文深度（越深越快）

prompt	prefill t/s	首字
2.3 K	2,631	0.86 s
11.8 K	4,148	2.85 s
47.4 K	4,463	10.62 s
116.7 K	5,287	22.08 s

decode 单流（短上下文，生成 146 tok × 3 轮）

112.0 / 143.3 / 143.6，平均 133.0 t/s

深上下文追问：已载入 46K 上下文再生成 300 tok，全程 12.82 s；扣实测 47K prefill 耗时（~10.4 s），深上下文 decode ≈ 122 t/s（推算口径，别和上面短口的 133 混比）。

---

4. 结论

• 4090D 48G 主 + 4080S 32G 副的 PCIe 异构摊分对 125B IQ3_XXS 很能打：131K 常驻、117K 一口吞 prefill 5,287 t/s、短口 decode 133、深口 ~120，agent 日用完全够——本帖正文就是它写的。
• prefill 随深度涨不降（2.6K → 5.3K），靠的是 256G 内存 + resident-pin 把专家/KV 铺平；小 prompt 那档 2,631 是管道没喂饱，别拿它当基准。
• 4080S 钉 270W 摊副卡几乎无感（推理中仅 63W）。