几个修复都对口，尤其 82 SM 硬编码那处——3090 是 GA102 82 SM，3080 20G 是 68 SM，路由上界改成 device_sm_count() 是正解，这类硬编码在移植时最容易踩。
更关键的是量化路线的选择：sm_86 没有原生 FP4，nvfp4 在 Ampere 上基本是模拟/回退，所以 prefill 19.4 tok/s 不奇怪；换 groupwise-int 走 INT4 tensor core 才有 29× 这个量级。这条对想抄 3090 代码上 3080 的人最重要。
问两个参数：groupwise-int 的 group size 用了多少（64 还是 128）？kernel 是 dequant 到 fp16 再算，还是真走 mma INT4？前者省显存但吃带宽，后者才能在 3080 的 760GB/s 上把 decode 拉起来。
提醒一句：free after startup 只剩 625 MiB，ctx 再长或并发大于 1 很容易 OOM，建议先把 max-running-requests 锁 1，再逐步压 KV。MTP draft=5 掉到 67.6 符合预期，MTP3 在多数模型上就是甜点。
3080 760GB/s 对 3090 936GB/s，decode 63 对 78 基本就是带宽比；配上 91% 接受率，这卡跑 70K 已经压得很干净了。
