实战：在16GB显存上实现Qwen 3.8 27B 75t/s解码
Kernoriordan · reddit · 2026-08-31
作者分享了在 RTX 4080/5080 (16GB VRAM) 上运行 Qwen 3.8 27B 模型的调优经验，通过特定的混合量化版本和 llama.cpp 配置，实现了平均 75t/s、峰值 100t/s 的解码速度。
核心配置：
- 模型：Qwen3.8-27B-i1-IQ4XS-GGUF-Smaller (专为 16GB 显存和 Multi-Token Prediction 设计)
- 关键参数：
- -ngl 99: 全部层 offload 到 GPU
- -c 85000: 上下文长度
- --spec-type draft-mtp: 启用 Multi-Token Prediction 投样
- --ctk q40 / --ctv q40: KV Cache 量化
日志显示在长文本生成中速度非常稳定。
「Infra」频道最新
- 同样 1000 个 Cloudflare Durable Objects，月成本从 4050 美元压到 22 美元 — threepointone · 2026-10-16
- NVIDIA 发布 Qwen3.8-Flash FP4 量化版，主打本地部署 — nvidia · 2026-10-16
- 百度提出 Virtual Head Attention：同时压 KV cache、算力并保质量 — baidu · 2026-10-16
- DuoDiscover 让 Agent 自建快速评估代理，TPU 内核提速 2.68 倍 — berkeley_ai · 2026-10-16
- Google 将 2026 年资本开支上调至最高 2050 亿美元 — emmanuelvivier · 2026-10-16
- Google 开源 AX:像 Kubernetes 一样编排数十亿 Agent 任务 — thisdudelikesAI · 2026-10-16