为什么你本地部署的LLM变笨了 要点总结本地 LLM 变笨不是模型问题而是你硬件/软件栈造成的数学偏差。注意力后端会导致 logits 分布差异尤其在长上下文。KV cache 量化尤其 INT4会严重破坏工具调用链。INT8 W8A16 权重量化在作者实验中表现最佳。NVIDIA NVFP4 在此场景下表现最差。 主题核心作者通过一系列精密、可复现的实验解释为什么同样的模型权重在你本地跑起来会比“官方效果”更差。根因不是模型本身而是你的硬件、软件栈、量化方式、注意力后端、KV cache 精度都会造成数学层面的偏差。 1. 本地 LLM 为什么“变笨”每个人的硬件/软件组合都不同GPU 代际、指令集、内核实现即使是同样的权重矩阵乘法路径不同 → logits 分布不同 → 下一个 token 改变这些差异会累积成你感受到的“模型变笨” 2. 实验方法用数学而不是感觉判断“变笨”作者使用KLDKL Divergence来衡量 logits 分布偏移程度KLD 越低 → 越接近参考实现但不代表更聪明量化模型的 KLD 数值常常被误用或误解缺少完整环境说明⚙️ 3. 实验 1注意力后端FlashAttention2 / Flash Inference / Triton作者在Qwen3.6‑27B RTX PRO 6000 Blackwell上测试三种注意力后端关键发现前几千 token 三者完全一致后面开始出现token flip最高 logit token 不同分歧不是线性增长而是与 prompt 内容相关出现“簇状”分歧这些差异来自底层矩阵运算而非随机噪声跨运行 logits 完全一致 4. 实验 2只量化 KV cache权重保持 BF16这是最关键的实验之一。结果INT8 KV cache有偏差但能恢复INT4 KV cache出现可复现的工具调用失败无法恢复说明KV cache 精度对长上下文任务影响巨大尤其是工具调用链。️ 5. 实验 3不同量化权重FP8 / INT8 / NVFP4 / AWQ作者比较了 5 种权重量化方式KV cache 全保持 BF16结果排名按 token flip 少 → 精度高INT8 W8A16TheDude表现最好甚至优于官方 FP8官方 FP8W8A8AWQ W4A16NVFP4NVIDIA 发布表现最差88k 上下文时 token flip 接近 50%工具调用结果FP8 与 INT8能正确执行 Cisco 命令NVFP4 与 AWQ执行错误命令把show arp执行成show run 6. 结论Part 1本地 LLM 的“变笨”主要来自实现差异不是模型本身。注意力后端、量化方式、KV cache 精度都会造成数学层面的偏移。KV cache 精度比权重量化更关键尤其在长上下文与工具调用场景。INT8W8A16量化在本实验中表现最稳健。作者将继续发布更多实验需要大量 GPU 并行时间forum.level1techs.com/t/why-your-local-llm-feels-dumber-than-it-is/253917
