XHToken

/

Spark-X2.5-4B

like 100

Follow

SparkLLM 123

把 Spark-X2.5-4B 放到一台 没有 NVIDIA、15GiB 内存被其他进程挤占 的 Linux 上，用官方 Spark 架构的 llama.cpp 跑通 Q4_K_M。结论很短：中文事实问答能对；默认 thinking 会把生成预算吃光；关掉 thinking 能吐代码，但正则分组写错，实测 FAIL；滑动窗口会掩盖长上下文的 KV 成本，--swa-full -c 131072 会把 16G 机器打进内核 OOM。

官方 BF16 GGUF（约 8.23GB）没有加载。本案例只用社区 Q4_K_M。

1. 真实使用：revision 与产物

下载：

hf download abenzerps/Spark-X2.5-4B-GGUF Spark-X2.5-4B-Q4_K_M.gguf \
  --local-dir ./models

未上传任何 safetensors / GGUF 权重。

2. 环境

• Linux 6.12.94+ x86_64，8× Intel Xeon（1 thread/core），无 NVIDIA
• RAM 15GiB + swap 15GiB，实验时已被其他进程占用一部分（共享机器，计费：免费）
• cmake 3.31.6，g++ 14.2.0
• llama-cli 提示：no usable GPU found, --gpu-layers option will be ignored

必须 --fit off 并显式 -c。模型原生 ctx 是 1,048,576，默认 --fit on 会把上下文撑爆。

采样按模型卡：temperature=1.0, top_p=0.95。卡上 top_k=-1，本 CLI 合法值是 --top-k 0（disable），不能传 -1。

TTFT： llama-cli 不打印首 token 毫秒。下面速度一律是 UI 行 [ Prompt: X t/s | Generation: Y t/s ] + 墙钟。峰值 RSS 来自 /proc/<pid>/status 的 VmRSS；mmap 下 RSS 含文件页，不是稳定的“权重大小”。

3. 实验 1：官方示例句（真实运行）

输入：

安徽的省会在哪里？

公共命令：

llama-cli -m Spark-X2.5-4B-Q4_K_M.gguf \
  -p '安徽的省会在哪里？' \
  -c 512 -b 128 -ub 64 \
  --temp 1.0 --top-p 0.95 --top-k 0 \
  --jinja -cnv --single-turn --reasoning on \
  --perf --no-display-prompt --color off \
  -ngl 0 --load-mode mmap --threads 4 --threads-batch 4 \
  --fit off --no-warmup

样本量：1 次 warmup + 3 次测量。Q4_K_M，-c 512，4 threads，mmap。生成约 5.8–6.9 tok/s，短 prompt 评估约 30–36 tok/s。无 TTFT ms。

m2 原始输出（节选，未改写）：

> 安徽的省会在哪里？

[Start thinking]

我们需要回答用户的问题：“安徽的省会在哪里？”这是一个关于中国地理的问题。

首先，我需要确认安徽省的省会。安徽省的省会是合肥。
...
[End thinking]

安徽省的省会是**合肥市**。

合肥市是安徽省的省会，也是全省的政治、经济、文化、科教和交通中心，位于安徽省中部的江淮之间。

[ Prompt: 36.3 t/s | Generation: 6.5 t/s ]

4. 实验 2：真实编码（执行了，不是只看了一眼）

输入：

写一个纯 Python 3 函数 parse_access_log(line: str) -> dict | None，解析 Nginx combined 日志行，返回 ip, method, path, status, bytes。无效行返回 None。只输出代码，不要解释。然后我会用这三行测：
1.2.3.4 - - [01/Sep/2026:10:00:00 +0000] "GET /health HTTP/1.1" 200 12 "-" "curl/8.0"
bad line
10.0.0.1 - - [01/Sep/2026:10:00:01 +0000] "POST /api/v1/orders HTTP/1.1" 201 84 "-" "okhttp/4.12"

4a. --reasoning on，-n 800，-c 2048：没有代码

墙钟 233.4 s，Prompt 22.8 t/s，Generation 3.8 t/s。800 token 全部耗在 [Start thinking]，没有 [End thinking]，没有函数。

失败模式： 默认 thinking + 不大的 -n，会把用户可见答案饿死。

4b. --reasoning off，-n 400：有代码，测试 FAIL

墙钟 47.5 s，Prompt 26.4 t/s，Generation 6.2 t/s。模型原始代码（未打补丁）：

import re

def parse_access_log(line: str) -> dict | None:
    pattern = r'^(\S+) \S+ \S+ \[([^\]]+)\] "((\S+) (\S+) HTTP/\d\.\d)" (\d+) (\S+)'
    match = re.match(pattern, line)
    if not match:
        return None
    
    ip, timestamp, method, path, protocol, status, bytes_str = match.groups()
    try:
        return {
            'ip': ip,
            'method': method,
            'path': path,
            'status': int(status),
            'bytes': int(bytes_str)
        }
    except (ValueError, TypeError):
        return None

实测：

CASE 1 pass=False got={'ip': '1.2.3.4', 'method': 'GET /health HTTP/1.1', 'path': 'GET', 'status': 200, 'bytes': 12}
CASE 2 pass=True  got=None
CASE 3 pass=False got={'ip': '10.0.0.1', 'method': 'POST /api/v1/orders HTTP/1.1', 'path': 'POST', 'status': 201, 'bytes': 84}
OVERALL FAIL

原因：请求字符串外多包了一层捕获组，groups() 解包把整段 request 赋给了 method。无效行正确地返回了 None。ip / status / bytes 是对的。

编码题：FAIL。

5. 实验 3：边界（按验收标准必须写失败）

Spark GGUF 带 spark2_5.attention.sliding_window。默认 不开 --swa-full 时，llama.cpp 不会为 32k 上下文准备满 KV。所以：

失败命令：

llama-cli -m Spark-X2.5-4B-Q4_K_M.gguf -p ping -n 4 -c 131072 --swa-full \
  --load-mode mmap --fit off --no-warmup ...

卡在 Loading model...，没有生成任何 token。110s timeout 后进程仍占约 11.8 GiB RSS。随后内核 OOM：llama-cli 的 oom_score_adj=-1000，kernel 杀掉了其他 Chrome 进程（oom_score_adj=300）。这是有害副作用，记在这里，不是成功案例。

6. 限制与建议

1. 官方 8.23GB BF16 GGUF 不适合这台 16G 共享盒；Q4_K_M 才能真正跑起来。
2. thinking 默认开启时，给编码任务留足 -n，或者显式 --reasoning off。
3. 不要把「-c 32k 也能跑」理解成满 KV 的 32k。先确认 --swa-full。
4. 在 16G 机器上不要对 4B Q4 开 --swa-full + 巨大 -c。
5. llama-cli 的 --top-k -1 无效，用 0。
6. 社区量化 ≠ 官方 BF16 比特一致。本帖只对 Q4_K_M + 该 llama.cpp commit 负责。

7. 对后来者

最小可复现路径：XHToken/llama.cpp CPU 构建 + abenzerps Q4_K_M + --fit off + 显式 -c。中文常识问答在 ~6 tok/s 可用；把它当编码 agent 前，先关 thinking 并 跑测试，不要只看它会不会写函数。