前言：strata 最近已经火出圈了，火到 RAM 又翻了个倍。目前京东自营，海力士颗粒的 64GB 的 DDR5 6000 内存已经几近破万。
十一长假回来，笔者也是暂时小试牛刀了一把，发现有一些关键参数，会直接影响整个 LLM 引擎的本质体验，但是默认值并不是特别合理。所以发个 tips 小文供大家交流。欢迎批评指正。
本文全程手打，无任何 AI 含量，请放心阅读。
1 、Harness 会频繁唤起子代理（ sub agent ），导致切换会话 prefill 浪费太多时间，怎么办？
答：开启--conversation-cache-mib
这个参数会让 strata 使用 RAM 来缓存历史对话，从而不让 LLM 反复重新 prefill 老的 session 。增加会话切换时的速度，对于 agent 、harness 场景有奇效。
开启 conversation-cache-mib 后，monitor 面板会有如下展示：
分别表述当期缓存了多少个会话，以及目前占用了多少 RAM 。
这个机制有个痛点：不支持多显卡。
2 、我的显卡显存总是占不满，浪费一些，怎么破？
答：配置--expert-cache ，不要用 auto 档位。手动指定
让更多的专家进驻显存。注意，手动指定的是下限，所以要反复测试量力而行。
3 、我想使用上文的 conversation-cache ，但是我 RAM 都快满了，怎么办？
答：启用低内存模式：--resident-experts
小科普，正常默认情况下，strata 加载的专家是内存+SSD 加载全量，vRAM 加载高命中概率专家。相当于 RAM 和 vRAM 之间，是有一定的重复加载的。
官方这样指定默认值是有道理的，一旦 VRAM 的专家没能命中，直接可以读取 RAM 的进入 vRAM 。 代价就是这会导致 RAM 的极大浪费。
通过配置低内存模式，能够让 vRAM+RAM 分别加载不同专家，分工合作。这样能节省巨量 RAM 。代价是一旦 VRAM 中的专家没能命中，除了从 RAM 读取以外，还要从 vRAM 剔除一个回写到 RAM 。但相较于直接节省 40GB 的 RAM 空间而言，这点回写简直可以忽略不计。而且你显卡的显存越大，遇到回写的概率越低。 笔者的是 48GB 的 rtx pro 5000 ，专家命中率一直保持在 99%。
4 、我想多个聊天会话一起聊（并发），怎么办？ 答，配置 parallel: X （ X 是并发会话数，最大 8 ）
会占用显存，我个人实测，IQ3_XXS 量化下，会话长度 262k ，每个并发占用 5.2GB 显存。
以上，欢迎列位交流，指正。最后列出我个人的全套参数，供各位参考。
"args": [
"--pack", "C:\\work\\Strata-data\\packs\\iq3_xxs",
"--native", "C:\\work\\Strata-data\\models\\IQ3_XXS\\Qwen3.8-Flash-Next-GSQ-RCO-IQ3_XXS-00001-of-00002.gguf",
"--ple-gguf", "C:\\work\\Strata-data\\models\\IQ3_XXS\\Qwen3.8-Flash-Next-GSQ-RCO-IQ3_XXS-00002-of-00002.gguf",
"--expert-profile", "C:\\work\\Strata\\data\\expert-profile.bin",
"--resident-experts",
"--expert-cache", "19000",
"--prefill", "auto",
"--spec", "4",
"--mtp", "C:\\work\\Strata-data\\mtp\\rt",
"--max-context", "262144",
"--kv", "k8v4",
"--vision",
"--vram-reserve-mib", "3400",
"--pcie-frac", "0.00",
"--spec-min-p", "0.70",
"--conversation-cache-mib", "27648",
"--conversation-cache-slots", "9",
"--conversation-cache-min-free-mib", "8192",
"--prompt-cache-every", "8192"
],
Select Language