PPL、KV 計算、long no-graphs 穩定性、26B canary coherence 已有證據。
DGX GB10 / llama.cpp / updated 2026-05-14 09:41 +08
Gemma4 + Qwen3.6 MTP 推理優化報告
目前主線是讓 Gemma4 family 在 llama.cpp 上同時達成低 PPL 與更高真實 decode TPS。優先堆疊 Q4_K_M、Gemma4 assistant/MTP、ngram-mod、TBQ KV、長上下文穩定性；FP4 只在 PPL、coherence、speed smoke 都通過後再升級。
PPL 30.2595；ASR-active long median 23.79-25.10 t/s；128K KV 5.62 GiB。
K3/V4 accept 較高；pure K3/V3 省 KV，且 live canary coherence 3/3 pass。
Qwen3.6 是正向 control lane；TBQ3 KV 尚未完成 gate，不代表不能用。
TPS 評測
TPS 沒有丟，前一版繁中報告把它藏在 candidate table 裡，這版改成獨立區塊。注意：目前 clean TPS final 仍受 ASR / resident service 影響；下表只放 master/candidate readiness 已接受的排序證據。
| Model / case | Decode TPS | Accept | KV 8K | 判斷 |
|---|---|---|---|---|
| 31B pure K3/V3 + MTP b4, no-graphs | 23.79-25.10 t/s | ~65.97% | 359.38 MiB | 目前 31B 主候選；比 K3/V4 省 KV。 |
| 31B K3/V4 + MTP b4, no-graphs | 23.76-23.77 t/s | ~66.89% | 424.06 MiB | 速度接近 pure，但 KV 較大。 |
| 26B pure K3/V3 + MTP b3, no-graphs | 61.39-62.14 t/s | ~68.03% | 89.84 MiB | 省 KV；live canary coherence 已 pass。 |
| 26B K3/V4 + MTP b3, no-graphs | 61.62-61.72 t/s | ~71.04% | 106.02 MiB | Accept 較高，是 balanced lane。 |
| E4B pure K3/V3 + MTP b3, no-graphs | 61.89-61.91 t/s | ~51.39% | 32.81 MiB | 省 KV，PPL 也安全。 |
| E4B K3/V4 + MTP b3, no-graphs | 63.12-63.82 t/s | ~51.46% | 38.72 MiB | 約快 3%，但 KV 較大。 |
| 被撤下的 A/B 表 | 原因 | 下一步 |
|---|---|---|
| 上一版的「最新 MTP A/B probe」 | 那組 seed-prime / GPU_ARGMAX 數字來自中途 diagnostic branch，不是目前 master/candidate readiness 接受的 current promoted candidate TPS。 | 已從正式 TPS 表撤下；需要在目前 binary、目前 service config、同一 prompt set 下重測後才可放回。 |
| F16 KV diagnostic rows | F16 KV 只能當 control，不是 Wayne 指定的 production 目標。 | 保留在工作紀錄，不放在 production TPS summary。 |
| TBQ mode14/mode15 seed-prime rows | 可能有價值，但目前尚未通過 promoted coherence + clean repeat gate。 | 下一次安全 headroom 下，一次只跑一個 promoted candidate gate，再更新此表。 |
| Reference lane | TPS | 用途 | 是否最終目標 |
|---|---|---|---|
| 31B ngram-mod only reference | 28.6 t/s | 代表 ngram-heavy prompt 的上限對照，且 overhead 低。 | 不是最終目標；使用者目標仍是 MTP + ngram + TBQ。 |
| 26B live :8092 tiny UTF-8 canary smoke | median 77.20 t/s | 只證明 live canary 輸出品質與 draft timing 存在。 | 不是 clean TPS，因 ASR/resident load 仍在。 |
Clean TPS final 仍未完成：需要 ASR idle/paused，或明確接受 noisy run；且不能一次開多個 DGX 測試。正式 TPS 表目前只採用 master checklist 與 candidate readiness table 已接受的數據。
Readiness Audit
Read-only audit 確認 promoted artifacts 與 helper scripts 都在；目前 blocker 是 runtime/load 狀態，不是缺檔。
| 項目 | 目前讀值 | 判斷 |
|---|---|---|
| Model artifacts | 31B target 19G + assistant 338M；26B target 16G + assistant 311M；E4B target 5.1G + assistant 76M。 | Promoted artifacts 齊全。 |
| 26B target path | Symlink 指向 /mnt/storage/models/bartowski-gemma4-26B/google_gemma-4-26B-A4B-it-Q4_K_M.gguf。 | OK；audit script 已改成 follow symlinks。 |
| Clear ports | :8080、:8087、:8088、:8089、:8093。 | Fallback 與部分 candidate ports 可用。 |
| Blocked ports/load | :8090 python PID 2317；:8092 Gemma4 canary PID 3161112；ASR PID 2378446 約 344% CPU。 | 未清掉或未批准前，不跑 clean TPS 或 31B RC smoke。 |
本地摘要：ops/dgx/gemma4-readiness-audit-20260514.md。遠端 helper：/tmp/gemma4_readiness_audit.sh。
Master Goal Checkpoint
每個小目標完成後都要回頭檢查大目標。只要 gates 沒全部通過，或 Wayne 沒明確 waive，就不能宣稱完成。
| Area | Status | 下一步 |
|---|---|---|
| PPL | Promoted Q4/TBQ candidates 已完成 | 除非 artifact、kernel、template 改變，否則不重跑。 |
| Output quality | Partial | 對 31B、26B、E4B promoted candidates 跑 UTF-8 gates。 |
| TPS / accept | Clean final blocked | ASR idle 或明確暫停後，才重跑 clean gate。 |
| KV memory | Current candidates 已整理 | 見 candidate readiness table；設定改了才更新。 |
| Deploy safety | Partial | Backup 完成、dry-run ready；fallback restore 需要明確批准。 |
| RC service | Partial | Service files 已 verify，但尚未 start/smoke。 |
Runtime state：lock file 是空的 stale file；ASR 仍熱；:8092 26B canary active；:8090 被 python 佔住。本輪報告更新沒有啟動新 benchmark。
Guard Fixes
M2.7/Locke static review 抓到兩個 non-invasive safety issue，已修好並在 DGX 上驗證。
| Artifact | 修正 | 驗證 |
|---|---|---|
| run_gemma4_promoted_coherence_gate.py | Candidate pass 現在必須同時滿足 text pass、HTTP 200、有 draft timing、CUDA error 0、GGML_ABORT 0。 | Remote python3 -m py_compile rc=0；dry-run rc=75，因 ASR/resident Gemma blocker 仍存在。 |
| restore_gemma4_legacy_8080_dryrun.sh | 預設 source 優先使用 backed-up legacy unit，避免 buun source path 日後漂移。需要覆蓋時仍可顯式傳 SRC=。 | Remote bash -n rc=0；dry-run rc=0，source 解析到 backup unit。 |
Candidate Final Readiness
Source of truth：ops/dgx/gemma4-candidate-final-readiness-20260514.md。KV 數字是一條 sequence 的估算。
| Candidate | PPL status | Coherence | ASR-active TPS / accept | KV 128K | Blocker |
|---|---|---|---|---|---|
| 31B Q4_K_M + pure K3/V3 + MTP/ngram b4 | Pass 30.2595 | Promoted service 尚未跑 | 23.79-25.10 t/s，~65.97% | 5.62 GiB | :8090 occupied；需要 coherence + clean TPS |
| 26B-A4B Q4_K_M + K3/V4 + MTP/ngram b3 | Pass 25.7098 | K3/V4 promoted service 尚未跑 | 61.62-61.72 t/s，~71.04% | 1.66 GiB | 需要 K3/V4 coherence + clean TPS |
| 26B-A4B Q4_K_M + pure K3/V3 + MTP/ngram b3 | Pass but higher 38.2839 | Live :8092 canary 3/3 pass，08:41 已刷新 | 61.39-62.14 t/s，~68.03%；tiny canary median 77.20 t/s 是 noisy smoke | 1.40 GiB | 需要 clean TPS；決定 pure vs K3/V4 final |
| E4B Q4_K_M + pure K3/V3 + MTP/ngram b3 | Pass 24.6580 | Promoted service 尚未跑 | 61.89-61.91 t/s，~51.39% | 0.51 GiB | 需要 coherence + clean TPS |
| E4B Q4_K_M + K3/V4 + MTP/ngram b3 | Pass 25.8709 | Promoted service 尚未跑 | 63.12-63.82 t/s，~51.46% | 0.61 GiB | 需要 coherence + clean TPS |
KV Savings Controls
FP16 / INT8 只是 savings math control，不是目前 production default。
| Model | FP16 128K | INT8 128K | K3/V4 128K | pure K3/V3 128K | 目前判斷 |
|---|---|---|---|---|---|
| E2B | 0.98 GiB | 0.49 GiB | 0.22 GiB | 0.18 GiB | 低優先；MTP mainline 不值得優先推。 |
| E4B | 2.73 GiB | 1.37 GiB | 0.61 GiB | 0.51 GiB | K3/V4 稍快；pure K3/V3 省記憶體。 |
| 26B-A4B | 7.49 GiB | 3.74 GiB | 1.66 GiB | 1.40 GiB | K3/V4 accept 較高；pure canary coherence 已 pass。 |
| 31B | 29.95 GiB | 14.97 GiB | 6.63 GiB | 5.62 GiB | pure K3/V3 是目前 leading promoted lane。 |
UTF-8 Coherence Evidence
Live 26B canary 在 :8092 於 08:41 再次通過 UTF-8-safe gate。先前 mojibake 失敗已確認是 harness encoding 問題，不是模型品質結論。
| Prompt | Pass | t/s | Accept | Readout |
|---|---|---|---|---|
| zh_marker | True | 77.20 | 77.78% | 繁中 marker 正確，沒有 mojibake。 |
| embedded_facts | True | 61.08 | 56.96% | 能依照 prompt 內嵌事實整理 Gemma4 + llama.cpp + MTP/ngram + TBQ3。 |
| repeat_line | True | 143.60 | 90.00% | 六行繁中句子完全輸出。 |
RC Service Readiness
以下只是 service-file readiness。尚未 start、restart 或 deploy。
| Candidate | Service file | Port | Policy status | Blocker |
|---|---|---|---|---|
| 31B pure K3/V3 MTP b4 | llama-gemma4-31b-fullt3-mtp-rc.service | 8090 | no-graphs + pure mode env set | :8090 目前被占用 |
| 26B K3/V4 MTP b3 | llama-gemma4-26b-k3v4-mtp-rc.service | 8088 | no-graphs set | 需要 fallback restore + coherence gate |
| E4B pure K3/V3 MTP b3 | llama-gemma4-e4b-fullt3-mtp-rc.service | 8089 | no-graphs + pure mode env set | 需要 fallback restore + coherence gate |
| E4B K3/V4 MTP b3 | llama-gemma4-e4b-k3v4-mtp-rc.service | 8093 | no-graphs set | 需要 fallback restore + coherence gate |
Remote systemd-analyze verify 已通過這些 copied templates。
Legacy Fallback Backup
Deployment safety 已先做 read-only backup 與 dry-run；沒有動 runtime state。
| Item | Status | Path / note |
|---|---|---|
| Read-only backup | Done | /home/waynehsu/backups/gemma4-legacy-state-20260514_081224 |
| Local copy | Done | ops/dgx/tmp/gemma4-legacy-state-20260514_081224 |
| Restore helper | Dry-run passed | ops/dgx/restore_gemma4_legacy_8080_dryrun.sh |
| :8080 fallback | 尚未啟動 | 需要明確批准後才能 --execute。 |
| Source unit | Resolved | 使用 backed-up llama-gemma4-26b.service；buun source path 目前缺檔。 |
Execution Runbook
Exact-command runbook：ops/dgx/gemma4-execution-commands-20260514.md。
1. Check state
任何 runtime step 前先讀 lock、ports、ASR CPU、GPU residency。
2. One coherence gate
Headroom 安全時，一次只跑一個 promoted candidate，並且拿 lock。
3. Restore fallback
:8080 fallback restore/smoke 只在明確批准後 execute。
4. RC smoke
Fallback safe 後，RC service 一次只 start/smoke 一個。
Side Lanes
Side frameworks 可當對照或後續研究，但 Gemma4 mainline 仍是 MTP/ngram/TBQ 優先。
| Lane | Readout | Decision |
|---|---|---|
| Qwen3.6 native MTP | 可當正向 MTP control；Unsloth notes 顯示實用 uplift，但 prompt processing cost 可能上升。 | 保留為 control，不取代 Gemma4 mainline。 |
| Qwen3.6 + TBQ3 KV | 尚未完成本機 gate。TBQ3 是 runtime KV cache 量化，不是 GGUF 權重量化；理論上可在 TurboQuant fork 用 `-ctk turbo3 -ctv turbo3` 或 K3/V4 嘗試。 | 目前不能寫成已驗證；要補 PPL + UTF-8/coherence + TPS/accept 後才可進正式表。 |
| DFlash / DDTree | DFlash 有 forks/PR；DDTree 目前在 local scan 中仍偏 fork-only。 | MTP/TBQ gates 完成前，不切主線。 |
| NVFP4 / MXFP4 | 26B external NVFP4 PPL smoke 已 sane；目前 speed 還不是 default。 | 只有 loader、PPL、coherence、speed 都贏 Q4/TBQ lane 才 promote。 |