llama.cpp 跑 Qwen3.6-35B MTP 投机解码,求 draft 接受率调优
Bulky-Priority6824 · reddit · 2026-09-07
一位用户在 Reddit 求助：用 llama.cpp 的 llama-server 本地部署 Qwen3.6-35B-A3B（MTP 版 Q8KXL 量化），开启 draft-MTP 投机解码（spec-draft-n-max 5），询问 draft 接受率是否已达到正常范围、还有什么可调的空间。
帖中给出完整启动命令，关键配置包括：
- 100K 上下文、f16 KV cache、flash-attn、kv-unified
- 三卡 tensor-split 34,40,26、cont-batching、parallel 2
- 采样参数 temp 0.6 / top-p 0.80 / top-k 20 / min-p 0.05
对想本地跑 MTP 投机解码的开发者是难得的完整参考配置。
「Infra」频道最新
- 推理服务商自造挤利润的市场：出路只有每 GPU 小时榨出更多 token — AccBalanced · 2026-10-27
- EMNLP Oral 论文：免训练 KV 缓存驱逐实现 10 倍内存压缩 — yuz9yuz · 2026-10-27
- 投资机构向小型 neocloud 放短期 GPU 贷款，瞄准低价收抵押卡 — AccBalanced · 2026-10-27
- Anthropic S-1 揭算力困局：多年锁量承诺对撞波动需求与硬件迭代 — AccBalanced · 2026-10-27
- Meta OCP 峰会晒 AI 网络家底:102.4T 液冷交换机、两层的 Flattened Planar Fabric — Meta_Engineers · 2026-10-27
- huggingface_hub 2.3.0 发布：百万文件列取从分钟级降到 20 秒 — lhoestq · 2026-10-27