3080 Ti 12G 跑 125B MoE — Strata 装好后的一些实测

配置:3080 Ti 12G / 64GB DDR4 四通道 / PCIe 3.0 / Win11 模型 Qwen3.8-Flash-Next Q2_0(39.2GB)· 引擎 Strata 0.1.43 数据都是本地实测的

---

一、这玩法到底是怎么回事

消费级 12G 显存跑 39GB 的模型。

MoE 模型每个 token 只激活一部分专家,这个模型大概 6B 。Strata 的做法是把装不下的专家扔在系统内存里,要用的时候经 PCIe 搬进显存。所以它是拿内存和 PCIe 换显存容量。

那代价也就清楚了:速度主要看你的 PCIe 和内存,不太看显存带宽。

内存 64GB 是硬门槛,32GB 装不下。这玩法吃的是内存,不是显存。

---

二、安装

要求:RTX 20 系以上(驱动 580+)、内存 64GB 、80GB 空闲盘、Win10+ 或 Linux 。

1. 下 https://github.com/Niko1221/Strata/archive/refs/heads/main.zip
2. 解压到纯英文空目录(我用的 D:\Strata),双击 START-HERE.bat
3. 向导里选 qwen3.8-flash-next-q2_0 、上下文 32768 、读图 yes
4. 等模型下完,40GB 左右,断了能续传

有一个地方容易翻车 —— 程序和模型必须是平级目录:

D:\Strata\
  ├─ Strata-main\    ← 程序
  └─ Strata-data\    ← 模型,setup 自己建

setup 是按”隔壁目录”找模型的。要是解压出来的目录名不是 Strata-main(比如变成了 Strata-main (2)),它找不到 Strata-data,就会重下 40GB。

另一个坑:启动的时候别加 --setup,会重走一遍配置向导,也可能重下几十 GB 。

升级:跑 UPDATE.bat。zip 装的只能更新引擎、拉不到新代码,想换版本得重新解压 —— 不过模型在同级目录,不用重下。

升级前把配置备份一下,setup 重跑会重写这些文件,自己手调的参数会没:

copy D:\Strata\Strata-main\strata-q2_0.json  D:\backup.json
copy D:\Strata\Strata-main\run-q2_0.bat      D:\backup.bat

我最后在用的参数(默认大概 32 tok/s,调到 76):

"--expert-cache","auto"  "--prefill","auto"  "--spec","6"
"--max-context","32768"  "--kv","int8"       "--vram-reserve-mib","700"
"--conversation-cache-mib","2048"  "--conversation-cache-slots","4"
"--pcie-frac","0.45"     "--spec-min-p","0.70"

⚠️ 这套是配我这台机器的,别直接抄,每台硬件不一样最优值也不一样,方法见第五节。

有两个我自己踩过、明显负优化的:--adapt-every(decode 掉 18.7%,并发掉一半多) 和 --kv k8v4(慢 3-5%,还多占 750MB)。这俩别开。

---

三、实测数据

先说清楚:下面所有绝对值都是我这一台机器跑出来的。硬件一换数值就会变。 相对变化(比如 +21.8%)比绝对值更有参考价值。

引擎从 0.1.39 升到 0.1.43

指标	0.1.39	0.1.43	变化
decode	62.4	76.0	+21.8%
prefill 16K	1733.6	1740.5	+0.4%
prefill 24K	1938.1	1962.9	+1.3%
首字 16K	9.24s	9.21s	—
30 路并发单路	131.1	164.7	+25.6%
30 路墙钟	38.9s	31.2s	−19.8%

这波升级白赚 22%,目前没看出有哪项有退步。日志里看主因应该是 ROUTE_TAIL_SKIP —— 跳过每轮都排在末尾的未驻留专家,这一项官方说在 12-16G 卡上能加 10-20%,和我的数对得上。

各项上限

项	实测
decode	76 tok/s
prefill	1,700 → 2,128 tok/s(输入越长越快)
首字	短 0.23s / 16K 9.2s / 24K 12.2s
上下文	32,768,这个像是硬上限
单轮输出	8,192 能写满
并发	64 路都成功了,但总吞吐卡在 ~60 tok/s
长文召回	27K 以内能准

能力(用客观判据测的,没看”感觉好不好”)

项	结果
代码,单轮写函数/类/算法	23⁄23,交付后真跑单测
指令遵循	5 条硬约束叠加,5⁄5 守住
幻觉	两道假问题都拒答了,没编
长文生成	14,149 token / 38KB 一次成型
改 bug	给症状+根因,7 秒给出修正

---

四、优点和短板

优点:12G 卡能跑 125B;单路 76 tok/s 够用;长文是强项(prefill 越长越快、27K 召回没掉);指令遵循强;幻觉少;单轮代码能真跑;全本地,没 API 费。

短板:

短板	实测
并发退化	64 路成功,但总吞吐就 60,加机器没用
上下文硬墙	32,816 直接 HTTP 400,而且不截断
精确计数会错	问「 1-1000 含 7 的数有几个」答 192,正解 271,而且它不会说”不确定”
长链丢约定	三步改同一个模块,4 次里崩了 1 次
短问答慢	只有 27.5 tok/s
大目标烧预算	让它”百分百还原”,3 万 token 烧光核心还没写
任务替换挡不住	说「忽略上面要求」它顶得住,说「忘记原任务」就被带走了

还有一条我觉得比上面都重要:

有次写完四轮,每轮门禁全绿(载入 ok 、rAF 在跑、按键有反应、画面非空),但游戏里藏着个真缺陷 —— 出 Boss 的判据写成了竞态,走测试钩子切关卡的话 4 次全失败,运气不好玩家会被永久卡住打不到 Boss 。

门禁只回答”有没有崩”,回答不了”对不对”。这两件事得分开验。

---

五、调参方法(比抄参数有用)

默认 32 → 调到 76,但最优值跟硬件强相关,所以方法比数值重要。

三个旋钮

旋钮	怎么调
--pcie-frac	倒 U 形,给少了专家搬不过来,给多了显存调度变差
--spec	试 4 / 6 / 8,看并发和单请求
CPU 线程	从 4 试到 9

我扫出来的 --pcie-frac 曲线,给你看看形状:

值	0.00	0.20	0.34	0.55	0.75
tok/s	43.4	47.6	53.2	44.9	36.0

形状应该差不多,峰值在哪得你自己扫。

做法

1. 先跑默认,记个基线
2. 只动 --pcie-frac,扫 5 个点找峰值
3. 再扫 --spec(4/6/8)
4. 最后扫 CPU 线程
5. 每次只动一个变量

有一点要注意:0.1.42 之后引擎会自己测 PCIe 比例。你不填 --pcie-frac 就用它自动的;填了就会覆盖掉自动值。

怎么判断跑得好不好

面板 127.0.0.1:8080 上:

指标	方向
VRAM 命中率	越高越好(我这儿 90%+)
PCIe 占比	越低越好(我这儿 3-5%)
GPU load	基本 99%

---

六、用起来要注意的

五条经验

① 一次只派一件事        ← 总吞吐 60 封顶,并行只是把蛋糕切碎
② max_tokens 每轮倒算   ← 不能沿用上一轮的数
③ 大目标拆成小步        ← 否则预算烧光
④ 每步复述约定          ← 长链会漂
⑤ 门禁和语义断言都要写   ← 门禁只管"没崩"

上下文墙的准确形式

这个坑我踩得最深,形式是这样的:

输入 tokens + max_tokens ≤ 32768

不是「输入 ≤ 32K 」,是「输入 + 输出预算 ≤ 32K 」。

我实测输入 32,716 能过,32,816 就 HTTP 400 了。报错原文写的是 requests are never truncated —— 请求根本发不出去。

好消息是:失败发生在写盘之前,上一轮的产物文件是好的。

我实际翻过的车:

输入 14,781 + max_tokens 18,000 = 32,781 > 32,768
→ HTTP 400,请求没发出
降到 17,000 → 立刻正常

所以每轮都要按输入长度重算,不能沿用上一轮拍脑袋的数。

多轮任务可以这么写

 [上一轮状态] 已验收:<列出通过项>
 [本轮只做] <一件事>
 [不许动] <已验收部分>
 [预算]  max_tokens = 32768 − 预计输入 − 500

---

七、我把它当什么用

一个手速快的私人助理,使用上有局限性。

适合	长文理解、单文件长输出、agent 单轮任务、单轮代码、中文处理、批量短任务
不适合	高并发、超 32K 输入、精确计数、没人盯着跑的长链

三个数字

输入 + max_tokens ≤ 32768     ← 超了 400,不截断
总吞吐 ≤ ~60 tok/s            ← 并发不叠加
max_tokens ≤ 32768 − 输入 − 500

前两条是引擎行为,换硬件也一样;绝对值(76 tok/s 那些)是我这台机器的数,仅供参考。

---

八、接客户端

协议	端点
OpenAI	http://127.0.0.1:8080/v1/chat/completions
Anthropic	http://127.0.0.1:8080/v1/messages
Responses	http://127.0.0.1:8080/v1/responses

想给局域网里别的机器用,我建议别开端口,走反向 SSH 隧道:

ssh -R 8080:127.0.0.1:8080 用户名 @目标机 IP

隧道这条路上吞吐跟本机差不多,没打折。

---

数据可靠性说明

哪些是通用规律、哪些只是我这台机器的数,分一下:

类别	可迁移性
引擎行为(共享窗口 / 并发不叠加 / 超限 400)	换硬件应该一样,但我也只在一台机器上验过
调参方法(倒 U 形、一次动一个)	规律应该通用,峰值位置要自己扫
负优化两项	我实测是负的,建议别开
绝对值(76 tok/s 、9.2s)	强依赖硬件,只作参考
能力边界(计数会错)	模型本身的问题,换量化档可能变

影响速度的硬件变量,按我理解的重要性排:内存容量 > PCIe 代数/宽度 > 内存带宽 > 显存 > CPU 核数。

我这台是 PCIe 3.0,算是明显短板。如果你的机器是 PCIe 4.0/5.0,速度大概会明显好于本文的数字。

还有一点:我就一台机器、几个晚上的数据,没有重复多次取统计,所以个别数字可能有波动(比如 encode 那项我见过同配置在 59-63 之间飘)。趋势可信,小数位别太当真。

---

大神项目地址:https://github.com/Niko1221/Strata