Vulkan prefill ~10% slower since v0.4.9 on Qwen3.6-35B-A3B (RX 7900 XTX, Windows), same with a local build

Ouverte
#203 2 commentaires 0 réactions 0 personnes assignées Voir sur GitHub

Personne n'a encore pris cette issue.

Évaluation

Difficulté
4/5
Temps estimé
3-5 jours
Accessibilité débutants
45/100
Type d'issue
Bug
Clarté
Plutôt claire
Activité
Active
Stack technique
cpp
Domaine
performance

Piste de recherche

Start by running the reported llama-bench command on the RX 7900 XTX with the v0.4.8-dev and v0.5.0 builds, comparing prefill results at 512 and 4096 tokens. The issue names no source files or tests, so trace the version changes affecting Vulkan prefill after confirming the regression. Done means identifying and addressing the cause of the slower prefill while preserving token-generation performance.

Rédigé par le modèle d'indexation à partir du texte de l'issue.

Description

Disclosure: Claude Code ran these measurements on my machine and drafted this text. I reviewed it.

Setup: RX 7900 XTX 24 GB (gfx1100), i5-14600K, 48 GB DDR5, Windows 11 22631, Adrenalin 32.0.31041.1004. The display is on the iGPU, so the 7900 XTX runs only llama-server.

Builds:

  • v0.4.8-dev c88618c11: local build.
  • preview-v0.5.0 d51f2f5e0: local build with the same toolchain and flags (MSVC 14.44, Ninja, Release, GGML_VULKAN=ON, GGML_NATIVE=ON, GGML_OPENMP=ON, shared libs).
  • preview-v0.5.0: official bin-win-vulkan-x64 zip.
  • v0.4.9: official zip (one earlier run).

llama-bench, Qwen3.6-35B-A3B UD-IQ4_NL, -dev Vulkan0 -ngl 99 -fa 1 -ctk q6_0 -ctv q4_0 -ub 2048 -p 512,4096 -n 128 -r 5:

build pp512 pp4096 tg128
v0.4.8-dev (local) 4173 ± 72 4777 ± 20 155.2 ± 0.9
v0.5.0 (local) 3772 ± 180 4298 ± 8 156.9 ± 0.2
v0.5.0 (official) 3832 ± 34 4304 ± 11 157.3 ± 0.4
v0.4.9 (official, -p 512 -r 3, other session) 3631 ± 234 – 156.9 ± 0.9

The local and official v0.5.0 builds are the same, so the gap is in the code, not the build. Prefill is about 10% lower at 4096 tokens. Token generation is equal.

llama-server, same preset for each build, MTP on, ~7.5k-token prompt (2 runs), prefill t/s:

model v0.4.8-dev v0.5.0 local v0.5.0 official
Qwen3.6-35B-A3B UD-IQ4_NL (built-in MTP head) 3261 / 3539 2076 / 3313 3042 / 3327
Qwen3.8-27B Q4_K_M (built-in MTP head) 744 / 744 692 / 715 708 / 713
Qwen3.8-27B Q5_K_S (MTP sidecar) 728 / 729 721 / 746 740 / 746
  • The dense Q4_K_M model loses about 4%. The dense Q5_K_S model with an MTP sidecar does not lose, and its generation is 5-8% faster on v0.5.0 (57.1 → 62.2 t/s). Thanks for that.
  • At a full 262k context, the 35B prefill is 612 t/s on v0.4.8-dev and 583 t/s on v0.5.0 (-5%).

Full logs, presets and commands on request.

Langage dominant
C++
Étoiles
1.2k
Forks
80
Merge moyen
4 j 20 h
PR mergées (30 j)
2

Préparer son environnement

Ce projet ne fournit ni conteneur de développement, ni Dockerfile, ni guide de contribution : l'installation est à votre charge. Commencez par son README, et consultez notre guide de la première contribution pour les étapes générales.

Par où commencer

  1. Lisez l'issue en entier, puis le guide de contribution du projet.
  2. Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
  3. Forkez le dépôt et travaillez sur une branche.
  4. Ouvrez une pull request qui référence le numéro de l'issue.

Autres issues de Anbeeld/beellama.cpp

Toutes les issues de Anbeeld/beellama.cpp

Issues similaires

Plus d'issues C++

Recevez les nouvelles issues par e-mail

Un résumé court des issues GitHub adaptées aux débutants.