3.7 KiB
MTP 实机测试
日期：2026-09-18。初始对照：main 7e53821，128K + FP8 KV + FULL CUDA Graph，无 MTP。
方案
- 保持模型 revision、镜像 digest、128K、视觉编码器、单活动请求及 GPU 预算不变。
- 首先添加
--speculative-config '{"method":"mtp","num_speculative_tokens":2}'。Graph 捕获尺寸增加验证所需的 3 token 形状。 - 等待健康检查，依次验证中文、数学、工具调用、图片、视频、127988 token 实际输入检索及重复前缀。
- 使用原 256 token 计时任务：一次预热、三次测量，记录 TTFT、总时间、解码速度与实际生成文本。采集投机接受率及显存/KV预算。
- 如加载失败、OOM、功能回归或无实际收益，恢复原基线。通过后才选择是否部署，并保留测试配置和回执。
状态：MTP 2 两轮测试完成；结论及限制见下文。
第一轮：MTP 2 / GPU 预算 0.96
启动失败，明确原因是 KV 缓存不足。模型加载占用 76.36 GiB（无 MTP 约 73.77 GiB）；可供分配的 KV 缓存约 0.66 GiB，而 131072 token 检查需要 2.47 GiB。没有进入请求测试，不能报告 MTP 速度。
补充试验：仅把 GPU 预算提高到 0.985，保留 128K 和视觉能力，测试期间关闭自动重启以避免失败后循环加载。这是余量较小的探索设置，不自动替换稳定基线。
第二轮：MTP 2 / GPU 预算 0.985
通过中文、数学、工具调用、图片、视频和 127988 token 输入检索。没有主机 OOM 或触发监测保护。模型显存 76.36 GiB，KV 预算 2.78 GiB，日志容量 146622 token；无 MTP 基线容量 218453 token。最终 Graph 捕获约 0.13 GiB。
| 项目 | 无 MTP 基线 | MTP 2 |
|---|---|---|
| 固定 256 token 解码中位数 | 77.115 token/s | 148.545 token/s |
| 计时任务首 token 中位数 | 0.070 秒 | 0.086 秒 |
| 思考 token 数 | 212 | 247 |
| 128K 首次首 token | 14.141 秒 | 14.754 秒 |
| 128K 前缀复用首 token | 0.454 秒 | 0.627 秒 |
| GPU memory utilization | 0.96 | 0.985 |
同提示、temperature 0、seed 6000、固定输出长度、一次预热加三次测量。MTP 解码计时为 1.926 倍，但生成的正文/思考与无 MTP 不同，不能视为逐字相同的性能对照，也不能据此判断质量提升或退化。固定长度吞吐包括思考 token，不等于完成同一业务任务的提速比例。
运行日志中两个统计窗口的草稿接受率为 86.4% 和 84.1%，平均接受长度约 2.73 和 2.68（含 bonus token）；不是整个请求集的统一平均值。原始累计指标见 audit/runtime/metrics-mtp2.txt。
运行器提示 draft 模型不接收外部多模态 embedding，使用 text-only draft 输入；目标模型仍保留多模态，合成图片和短视频测试通过。后端自动把 FULL 调整为 FULL_DECODE_ONLY，并对多步 draft 重建注意力元数据。
决定
默认仍保留无 MTP 的 128K 多模态基线。 MTP 2 有明显短输出吞吐收益，但需要 98.5% 显存预算，且多模态测试只覆盖小图片和短视频，没有长视频、较长输出、多任务真实质量或长期压力测试。现有证据不足以把它称为更稳定的默认配置。
实验配置保存在 audit/runtime/compose-mtp2-0985.yaml，关闭了自动重启。根目录 Compose 不修改；结束测试后恢复原基线。没有测试 MTP 1、3 或更多预测步，当前结果不代表参数最优。
恢复验收完成：原配置重新启动后中文、数学和工具调用通过；容器 healthy、OOMKilled=false、restart=unless-stopped。回执为 audit/runtime/acceptance-after-mtp.jsonl。日志导出时已遮蔽 API key，并规范化行尾空白。