RTX PRO 5000（或其他 48GB 显存）的 Qwen3.8-27B-FP8 配置交流（prefill 5000+t/s， decode 60+t/s）

sentinelK

@hejw19970413 vllm 的 prefill 性能是不是要差一些，sg-lang 也是最近更新 prefill 速度才大幅度提升的。

noqwerty

请问 sglang 跟 llama.cpp 对比性能怎么样

sentinelK

@noqwerty sglang 和 vllm 吊打 llama.cpp

wcwcxiaobin

llama.cpp 之前 agent 调用太慢，但是现在使用 deepseekharness 很神奇，缓存命中的情况下 prefill 可以一瞬间完成。。直接 decode

strobber16

笑死，连推理引擎也有鄙视链。用 llama.cpp 的看不起用 ollama 的，vllm 的看不起前两者

hronro

刚好我也在租用 RTX PRO 5000 ，等有空了我也部署上去试试。
另外楼主还有别的适合 RTX PRO 5000 部署的模型分享吗？

sentinelK

@hronro LLM 的话，qwen3.8-27B 是断崖领先的，其他模型看不到尾灯。
多媒体领域 Minimax H3 很强，可以体验一下。

catazshadow

@sentinelK Muse Glimmer 看官方是可以跟千问打的有来有回的，128K 上下文对单卡也更友好

kita

一边期待 AI 股涨价一边期待 AI 泡沫。最可怜是 AI 股没涨够数，但是 RAM, flash, GPU 贵过天

yjhatfdu2

sglang 在 codex 上遇到了不少微妙的问题，包括但不限于 codex 的扩展工具类型支持问题（比如 mcp 相关、工具检索等），开启 EAGLE 后 xgrammar 进行 tool call 受控采样时会偶然遇到 triton kernel 的问题导致奔溃，加入多模态会导致输出长度可能超过模型上下文限制导致报错，加入图片偶现 prefill cuda graph 问题，SMG 对于 codex 的很多扩展的 responses 协议字段强校验通不过报错。修了半天算了还是换 vllm 吧，不过 vllm 也遇到了非常偶现的 cuda 内存越界，真是服了