单张 RTX 3090 + 128GB 内存跑通 180B MoE：15.5 tok/s 生成实测配置

cezarducatti · reddit · 2026-09-05

一位开发者在 RTX 3090（24GB）+ 128GB DDR4 上运行 Qwen3.8-Flash-Next（UD-Q4KXL，约 180B 总参/5B 激活的 MoE），公开完整 llama.cpp 启动配置与实测数据并求优化建议：

关键参数：-ngl 99 全层尽量上 GPU、-ncmoe 42 强制 42 个专家层留 CPU/RAM、200k 上下文、f16 K/V cache、xhigh 推理模式不截断
加载后 VRAM 几乎占满（剩 0.6GB），系统内存仍余约 52GB
实测：12k 上下文 prompt 处理稳定在约 185-190 tok/s；生成速度在 12k+ 上下文下保持约 15.5-16 tok/s
作者提醒近期 llama.cpp master 多个构建针对 Qwen4Exp 架构改动（MTP 投机解码回滚支持、Vulkan top-k radix sort shader、减少 graph splits），遇到 MTP 不稳先升级再怀疑配置
求助：-ncmoe 数值是否最优、如何压榨 prompt 处理速度、MTP 投机解码是否已在主线稳定

「Infra」频道最新