抡锤者

这个是我调了一周的sglang配置。
主要目的是单线程，没有MTP，速度30t/s,有500K上下文。
上了MTP，速度有60t/s，有300k上下文。最主要的是QWEN3.6-27B-FP8也不聪明。。但是又觉得有时候比云API聪明。
主要是我的soul。md 明确了，所有问题优先社区找到答案。。处理问题的能力提升了一些。

#!/bin/bash
# SGLang 0.5.15 — sglang serve (官方推荐方式)
# Qwen3.6-27B-MTP | RTX 4090D 48G
set -euo pipefail

# 路径与环境
readonly SGLANG_VENV="/mnt/dataM4/venv_sglang"
readonly MODEL_PATH="/mnt/dataM4/models/Qwen3.6-27B-AEON-Ultimate-Uncensored-FP8-MTP"

export HF_HOME="/root/.cache/huggingface"
export TRITON_CACHE_DIR="/root/sglang_cache/triton/cache"
export TORCHINDUCTOR_CACHE_DIR="/root/sglang_cache/torch_compile"
export FLASH_ATTENTION_CUTE_CACHE_DIR="/root/sglang_cache/flash_attn_cute_cache"

export CUDA_HOME=/usr/local/cuda-12.8
export PATH="$CUDA_HOME/bin:$PATH"
export LD_LIBRARY_PATH="$CUDA_HOME/lib64"
export LD_LIBRARY_PATH="/mnt/dataM4/venv_sglang/lib/python3.11/site-packages/nvidia/cusparselt/lib:$LD_LIBRARY_PATH"
export CUDAHOSTCXX=/usr/bin/gcc-12
export CC=/usr/bin/gcc-12
export CXX=/usr/bin/g++-12

export PYTORCH_ALLOC_CONF="expandable_segments:True"
export CUDA_DEVICE_ORDER="PCI_BUS_ID"
export CUDA_VISIBLE_DEVICES="0"
export FLASHINFER_DISABLE_VERSION_CHECK=1
export FLASH_ATTENTION_CUTE_DSL_CACHE_ENABLED=1

source "${SGLANG_VENV}/bin/activate"

SGLANG_ARGS=(
  --model-path "${MODEL_PATH}"
  --host 0.0.0.0
  --port 30000
  --trust-remote-code
  --tp-size 1
  --attention-backend flashinfer
  --mamba-backend flashinfer
  --kv-cache-dtype fp8_e4m3
  --page-size 16
  --mem-fraction-static 0.93
  --max-running-requests 1
  --prefill-max-requests 1
  --schedule-policy lpm
  --schedule-conservativeness 1.0
  --mamba-radix-cache-strategy extra_buffer
  --mamba-ssm-dtype bfloat16
  --mamba-full-memory-ratio 0.08
  --speculative-algorithm nextn
  --speculative-num-steps 2
  --speculative-eagle-topk 1
  --speculative-num-draft-tokens 2
  --tool-call-parser qwen3_coder
  --reasoning-parser qwen3
  --preferred-sampling-params '{"temperature": 0.7, "repetition_penalty": 1.2, "frequency_penalty": 0.5, "presence_penalty": 0.3}'
  --enable-dynamic-chunking
  --chunked-prefill-size 16384
  --radix-eviction-policy lru
  --enable-metrics
  --enable-streaming-session
  --enable-request-time-stats-logging
  --log-requests
  --log-requests-level 0
  --decode-log-interval 60
)

# 启动
readonly SGLOG="/dev/shm/sglang/sglang.log"
mkdir -p "$(dirname "$SGLOG")"

# 日志轮转
if ! pgrep -f sglang_log_rotate > /dev/null 2>&1; then
    nohup bash /root/sglang_log_rotate.sh >/dev/null 2>&1 &
fi

exec sglang serve "${SGLANG_ARGS[@]}" >>"$SGLOG" 2>&1

https://github.com/jagsan-cyber/turboquant-rocm-llamacpp ，DFLASH+TurboQuant+AMD R9700 直接支持了，QWEN3.6 27B跑量化6，还保持256K上下文实现了。

现在的用法是，hermes main跑deepseek v4 flash 1m缓存调用。所有的执行全是本地QWEN3.6 27B执行，v4只需要大脑拆分任务和调用，hermes main直接禁用所有工具只允许调度。。速度上天了。在也不担心上下文了。最主要的是，解放了本地模型的上下文焦虑。v4召回准确度又很无解。7个小时任务跑下来不到1毛钱。。

@fcme PP不知道150K上下文速度能打50t/s，200k的上下文时候大概也是在50t/s,这个有mtp。如果不开MTP稳定100K内31t/s，超过150k 27t/s的样子。速度不能和云API对比

@566656661 这个不知道，我起手就用的sglang。vllm和llamacpp速度太慢了，用了sglang回不去了。

@terry

#!/bin/bash
# Qwen3.6-27B-Fable Q6_K — llama.cpp 启动配置（优化版）
# GPU: RTX 4090D (48G) | 模型: 64 层混合 (16 Full Attention + 48 SSM)
# 目标：全 GPU 卸载，0 层在 CPU
# 优化：Q8_0→Q6_K + KV q4_0 + 线程调优，目标 25-28 t/s

set -e

# ═══════════════════════════════════════════
# 参数说明（每个都加注释）
# ═══════════════════════════════════════════

MODEL="/mnt/dataM4/models/Qwen3.6-27B-Fable-Fus-711-UnHeretic-NM-DAU-NEO-MAX-NEO-Q8_0.gguf"

# --gpu-layers 64: 全部 64 层都加载到 GPU 显存（不卸载到 CPU）
# 如果设 32 就只有前 32 层在 GPU，后 32 层在 CPU，速度减半
GPU_LAYERS=64

# --ctx-size 262144: 上下文窗口 262K tokens（模型原生支持 262144）
# 显存开销：KV Cache ~8GB（q8_0 量化）
CTX_SIZE=262144

# --batch-size 8192: 逻辑 batch（prefill 阶段一次处理多少 token）
# 决定 prompt 阶段的速度，越大 prefilled 越快
BATCH_SIZE=8192

# --ubatch-size 4096: 物理 batch（GPU 计算缓冲大小）
# GPU 内存里同时计算的 token 数，不超过显存
UBATCH_SIZE=4096

# --threads 6: 生成阶段 CPU 线程数（每生成 1 个 token）
# 纯 GPU 时影响不大，设小点省 CPU，避免线程调度开销
THREADS=6

# --threads-batch 8: Prefill 阶段 CPU 线程数（处理 prompt）
# 降低到 8，减少 CPU 竞争，GPU 是瓶颈不是 CPU
THREADS_BATCH=8

# --temp 0.7: 采样温度（0=确定性强，1.0=随机性强）
TEMP=0.6

# --top-p 0.95: Nucleus 采样，累积概率到 0.95 截断
TOP_P=0.95

# --top-k 20: 只选概率最高的 20 个 token 参与采样
TOP_K=20

# --flash-attn on: 开启 Flash Attention（RTX 4090D SM89 原生支持）
# 对 Qwen3.5 混合架构的 Full Attention 层有显著加速
FLASH_ATTN=on

# --cache-type-k/v q4_0: KV Cache 用 Q4_0 量化（大幅降低带宽压力）
# 实测：q4_0 KV cache 对生成质量影响<1%，但 decode 速度提升 10-15%
# bf16=16bit(大精度), q8_0=8bit, q4_0=4bit(最佳性价比)
CACHE_TYPE=q8_0

# --port 11434: 默认 Ollama 兼容端口
PORT=11434

# ═══════════════════════════════════════════
# 启动命令 — 全 GPU，无 CPU offload
# ═══════════════════════════════════════════

exec llama-server \
  --model "$MODEL" \
  --port "$PORT" \
  --ctx-size "$CTX_SIZE" \
  --batch-size "$BATCH_SIZE" \
  --ubatch-size "$UBATCH_SIZE" \
  --gpu-layers "$GPU_LAYERS" \
  --threads "$THREADS" \
  --threads-batch "$THREADS_BATCH" \
  --temp "$TEMP" \
  --top-p "$TOP_P" \
  --top-k "$TOP_K" \
  --flash-attn "$FLASH_ATTN" \
  --cache-type-k "$CACHE_TYPE" \
  --cache-type-v "$CACHE_TYPE" \
  --no-mmap \
  --mlock
  -ngl 99

，你llamacpp 跑45t/s？贴一下参数呗，有点夸张啊，我怎么设置都上不去。我是按照sglang的思路设置的。不开MTP45t/s 很顶啊。prefill cpp确实不快。我用sglang显存很容易到47G。你这个占用只有41.5g，咋配置的。？sglang 频繁上下文 prefill 也解决了。基本上随便浪了。命中率99%

硬件环境：
CPU：2667v2x2
RAM：DDR3 128G（1066）
GF：RTX4090D-48G
SGlang 上下文：500K，上下文内容100-200k也能保持28t/s的推理速度
模型：Qwen3.6-27B-FP8
SGLANG顶峰值解码速度32/s，平均值28t/s，Prefill速度：1400-1600t/s。
和VLLM、llamacpp对比，快大概百分之30-50%。
吐槽一下llamacpp，15t/s的解码速率，gguf得多差啊！还是只有我这样配置问题？
vllm还在测试中。。

#!/bin/bash
# SGLang 0.5.15 — sglang serve
# Qwen3.6-27B-MTP | RTX 4090D 48G
set -euo pipefail

readonly SGLANG_VENV="/mnt/dataM4/venv_sglang"
readonly MODEL_PATH="/mnt/dataM4/models/Qwen3.6-27B-AEON-Ultimate-Uncensored-FP8-MTP"

export HF_HOME="/root/.cache/huggingface"
export TRITON_CACHE_DIR="/root/sglang_cache/triton/cache"
export TORCHINDUCTOR_CACHE_DIR="/root/sglang_cache/torch_compile"
export FLASH_ATTENTION_CUTE_CACHE_DIR="/root/sglang_cache/flash_attn_cute_cache"

export CUDA_HOME=/usr/local/cuda-12.8
export PATH="$CUDA_HOME/bin:$PATH"
export LD_LIBRARY_PATH="$CUDA_HOME/lib64"
export LD_LIBRARY_PATH="/mnt/dataM4/venv_sglang/lib/python3.11/site-packages/nvidia/cusparselt/lib:$LD_LIBRARY_PATH"
export CUDAHOSTCXX=/usr/bin/gcc-12
export CC=/usr/bin/gcc-12
export CXX=/usr/bin/g++-12

# 🔴 修正拼写
export PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True"
export CUDA_DEVICE_ORDER="PCI_BUS_ID"
export CUDA_VISIBLE_DEVICES="0"
export FLASHINFER_DISABLE_VERSION_CHECK=1
export FLASH_ATTENTION_CUTE_DSL_CACHE_ENABLED=1

source "${SGLANG_VENV}/bin/activate"

SGLANG_ARGS=(
  --model-path "${MODEL_PATH}"
  --host 0.0.0.0
  --port 30000
  --trust-remote-code
  --tp-size 1
  --attention-backend flashinfer
  --mamba-backend flashinfer
  --kv-cache-dtype fp8_e4m3
  --page-size 8
  --mem-fraction-static 0.94
  --max-running-requests 2
  --prefill-max-requests 1
  --schedule-policy lpm
  --schedule-conservativeness 1
  --mamba-radix-cache-strategy extra_buffer
  --mamba-ssm-dtype bfloat16
  --mamba-full-memory-ratio 0.08
  --tool-call-parser qwen3_coder
  --reasoning-parser qwen3
  --preferred-sampling-params '{"temperature": 0.6, "repetition_penalty": 1.2, "frequency_penalty": 0.5, "presence_penalty": 0.3}'
  --chunked-prefill-size 4096
  --max-prefill-tokens 8192
  --context-length 262144
  --radix-eviction-policy lru
  --cuda-graph-max-bs-decode 2
  --cuda-graph-bs-decode 1 2
  #--enable-metrics
  #--enable-streaming-session
  #--enable-request-time-stats-logging
  #--log-requests
  --log-requests-level 0
  --decode-log-interval 300  # 🟡 降低日志频率
  # 🟢 關閉 Uvicorn Access Log (排除所有路徑)
  --uvicorn-access-log-exclude-prefixes /
)

# 🟡 日志改到磁盘，避免占用系统内存
readonly SGLOG="/dev/shm/sglang/sglang.log"
mkdir -p "$(dirname "$SGLOG")"

# 日志轮转
if ! pgrep -f sglang_log_rotate > /dev/null 2>&1; then
    nohup bash /root/sglang_log_rotate.sh >/dev/null 2>&1 &
fi

exec sglang serve "${SGLANG_ARGS[@]}" >>"$SGLOG" 2>&1

@terry prefill 1800-1400平均值。但是这个值我就是不清楚在4090D上面属于什么水平。cpp跑只有几百，vllm好像也不太行。

哇咔咔，我打算X79+2667 V22+128G+R97002（未购入），一张跑QWEN3.6 27B一张跑wan2.2，但是一直不清楚，QWEN3.6 27B，输入速度怎么看，X79和X99差距对推理提升不是很大，就没升级X99的动力了。部署QWEN3.6 27B的问题在于，kvcache能不能打满256B，并且能支持几个并发，很关心，选MTP还是DFLASH+googeKV缓存技术。

@smax 用越狱的FP8的都还不错，MTP真不能开，模型的原理是概率推测，TMP开启后会导致幻觉增加的风险，原因很简单，在模型推理里面错一个字后面的内容就往错的方向发展了。只有一个一个字的推，才能保证幻觉最低。