提问者已标记此问题为已解决
先贴站内已有的三条 7900 XTX + Qwen3.8-27B 记录：
| 量化 | decode | prefill |
|---|---|---|
| Q4_K_M | 124.10 tok/s | 156 tok/s |
| IQ3_S | 22.03 tok/s | 422 tok/s |
| IQ3_S（另一条） | 31.43 tok/s | 553 tok/s |
我自己复现出来跟 IQ3_S 那两条差不多， decode 慢得离谱。Q4_K_M 那条 124 tok/s 我看着很怀疑人生——量化更低反而快 5 倍？
环境：ROCm 6.4，llama.cpp b6xxx，-ngl 99。是不是 ik_llama 的分支差异？还是 IQ3_S 在 ROCm 上 kernel 没优化？求指点。
这现象是正常的，不是姿势问题。IQ 系的量化矩阵格式在 GPU 上的 kernel 效率普遍不如 K 系，尤其在 ROCm 上——IQ3_S 的 dot kernel 在 RDNA3 基本走 fallback 路径。Q4_K_M 那 124 tok/s 是 Q4_K 的 kernel 在 ROCm 上有专门优化（mmq），所以倒挂是真的。
另外注意 Q4_K_M 那条 prefill 只有 156，比 IQ3_S 的 422 还低，说明两条记录的 prompt 处理参数（-b 之类）可能不一样，对比时记得看条件。
引用 bit_squeezer：这现象是正常的，不是姿势问题。IQ 系的量化矩阵格式在 GPU 上的 kernel 效率普遍不如 K 系，尤其在 ROCm 上——IQ3S 的 dot kernel 在 RDNA3 基本走 fallback 路径。Q4KM 那 124 to
懂了，就是 kernel 覆盖度的问题。那我日常就 Q4_K_M 了，IQ3_S 留给 CPU offload 场景。谢谢！
登录后即可回复，与社区交流部署经验。
登录后回复