两张 RTX 5060 Ti 为什么没有两倍推理速度？显存带宽、PCIe 与 P2P

📚 双 RTX 5060 Ti 部署 Qwen3.8 系列 · 3/6

💡 导读：

TP2 能让两张 GPU 同时参与同一层，但双卡并不会因此稳定得到 2 倍 token/s。这篇用 33.5 token/s 的真实结果、无 CUDA P2P 的机器环境，以及跨卡拷贝和 AllReduce 数据，把“PCIe 会不会拖垮 TP”这笔账拆开来看。

上一篇讲了 TP：两张 GPU 同时参与同一层的计算。

既然 RTX 5060 Ti 16GB 单卡显存带宽约为：

448 GB/s

那么双卡的物理显存带宽总和就是：

448 × 2 = 896 GB/s

一个很自然的问题是：

既然 TP2 能让两张 GPU 同时读取自己的权重分片，为什么单流 Decode 不能稳定获得 2 倍 token/s？

真正的答案不是一句“PCIe 太慢”就能解释的。

TP2 的最终收益更接近：

并行计算与显存带宽收益
-
跨卡通信
-
同步延迟
-
Kernel / 调度额外开销
=
最终 Scaling

而这次实测有一个很有意思的地方：

2 × RTX 5060 Ti 16GB
Qwen3.8-27B NVFP4
TP2
单流 Decode ≈ 33.5 token/s

更特别的是，这台机器甚至没有 CUDA P2P。

1. 从显存带宽看 TP2 的理论收益

一次 LLM 请求大致可以分成：

Prefill
处理 Prompt

Decode
逐 token 生成

Prefill 一次处理大量 Token，矩阵规模较大，Tensor Core 通常更容易吃起来。

单请求 Decode 则不同。

每一步只生成一个 Token，但这个 Token 仍然要经过整个模型的大量权重：

Token N
↓
Layer 0
↓
Layer 1
↓
...
↓
Layer 63
↓
Token N+1

所以单流 Decode 经常表现出明显的 Memory Bound 特征。

可以用一个非常粗糙、但很适合建立直觉的公式：

Decode token/s
≈
显存有效带宽
÷
每 token 需要处理的权重数据量

假设量化后的 27B 模型文件大约 23GB。

单张 5060 Ti：

448 GB/s ÷ 23GB ≈ 19 token/s

这个数字当然不是严谨 Benchmark。

模型文件大小并不严格等于每颗 token 的实际 DRAM Traffic，实际性能还会受到：

Kernel
量化格式
Tensor Core
Cache / State
模型结构
Batch
Attention Backend

等因素影响。

但这个估算能先建立一个重要直觉：

单流 Decode 里，显卡的峰值 TFLOPS 并不是唯一重要指标；能多快地把权重和状态送进计算单元同样关键。

TP2 为什么理论上更容易聚合双卡带宽？

如果是按层切：

GPU0
处理前半模型
↓
GPU1
处理后半模型

对于同一颗 token，两部分存在明显的前后依赖。

所以虽然每张卡都有 448GB/s，但不能简单理解为始终同时提供 896GB/s。

TP2 则不同。

一层里的权重被切成两份：

            Layer N

      GPU0           GPU1
    权重 Part A     权重 Part B
        ↓               ↓
       计算             计算
        └──────┬────────┘
               ↓
             同步

两张卡可以同时读取自己的权重分片。

因此从显存带宽角度，TP2 的确更接近：

448 + 448 ≈ 896 GB/s

问题就变成了：

每层为了同步而增加的通信，会不会把这部分收益全部吃掉？

实测 33.5 token/s：和粗略带宽模型处在同一量级

这次双卡 TP2 的单流 Decode 实测大约是：

33.5 token/s

模型权重大约 23.19GB。

如果只为了建立一个“理想带宽上限”的直觉，可以做：

896 GB/s ÷ 23.19GB ≈ 38.6 token/s

而实际是：

≈ 33.5 token/s

这两个数字处在同一个量级，至少说明一件事：

TP2 确实获得了很明显的双卡并行收益，并没有因为跨卡通信直接退化成接近单卡的状态。

但这里我不会再把 33.5 / 38.6 解释成某个精确的“显存带宽利用率”。

原因很简单：

23.19GB checkpoint size ≠ 每 token 精确 DRAM 读取量

NVFP4 的 scale、部分高精度 tensor、Cache、量化 Kernel、Activation 以及其他计算都不在这个极简模型里。

所以这个公式只能告诉我们：

实测结果与“TP2 聚合了相当一部分双卡权重读取能力”这个解释是一致的。

它不能用来精确计算真实显存带宽利用率，也不能把理论值和实测值之间的全部差距都归因于 PCIe。

2. 没有 P2P，TP2 为什么仍然有效？

测试服务器上的 CUDA P2P 检查结果是：

can_device_access_peer = False

也就是说，不能按照最理想的：

GPU0 ←──────→ GPU1
      P2P

去理解它的跨卡路径。

这台机器上实际做过的通信测试大致是：

大块跨卡拷贝：≈ 6.7 GB/s
AllReduce 基准：≈ 7.8 GB/s

这两个值来自不同测试，不能直接互相替代，但数量级都远低于单张 GPU 的：

448 GB/s

第一眼看上去问题非常严重：

GPU 本地显存：几百 GB/s
GPU 间通信：个位数 GB/s

为什么 TP2 还能跑到 33.5 token/s？

答案在于：

TP 并不会在两张 GPU 之间传整个模型。

权重一直在各自 GPU 上，跨卡传的是中间结果

TP2 下，两张 GPU 已经分别保存好了自己的权重分片：

GPU0
一直保存 W0

GPU1
一直保存 W1

每生成一颗 token 时，并不会发生“GPU0 把十几 GB 权重传给 GPU1”这种情况。

真正需要跨 GPU 同步的，主要是：

Activation
Hidden State
部分中间结果

这些数据量比整个模型小得多。

以这次模型的 hidden size：

hidden_size = 5120

假设中间状态用 BF16：

5120 × 2 Byte ≈ 10 KiB

一个 hidden vector 只有大约 10KiB。

而模型权重是二十多 GB。

这两个数据量完全不是一个数量级。

粗略估算一下 TP2 每 token 的 Collective 数据量

对于典型 Transformer TP，可以做一个数量级估算：

Attention 后一次主要 Collective
MLP 后一次主要 Collective

如果粗略按：

64 Layers
×
2 次 / Layer
≈
128 次 Collective / token

来建立直觉。

TP2 下，一个约 10KiB 的 BF16 hidden vector，在典型 AllReduce 中每个 rank 传输的数据量也是同一数量级。

于是：

128 × 10 KiB ≈ 1.25 MiB / token

注意，这不是对当前 vLLM 所有 Kernel 和通信操作做出的精确 Trace，只是用来估算数量级。

它想说明的是：

每 token 处理的权重：几十 GB 级
每 token 跨卡同步的数据：MB 级

这就是为什么：

PCIe 带宽远低于 GPU 本地显存带宽，并不等于 TP 一定会被 PCIe 卡死。

只用“数据量 ÷ 7.8GB/s”也会低估通信成本

如果非常粗暴地拿：

1.25 MiB / token ÷ 7.8 GB/s

得到的纯传输时间只有大约零点几毫秒。

而：

33.5 token/s

对应每颗 token 总时间约：

1000 ÷ 33.5 ≈ 29.9 ms

看起来通信似乎几乎可以忽略。

但这里又会进入另一个误区。

TP Decode 的通信不是一次连续传 1.25MiB，而更像：

算一点
↓
同步一个小消息
↓
再算一点
↓
再同步
↓
重复很多次

所以真实通信成本更接近：

通信时间
=
数据传输时间
+
Collective latency × Collective 次数

而不是简单的：

总字节数 ÷ 大块带宽

TP Decode 更应该担心“小消息延迟”

前面的 6.7GB/s、7.8GB/s，更多是在描述较大数据块下能够达到的吞吐。

但单 token TP 的通信经常是大量小消息和同步点。

假设一颗 token 要经历一百多次 Collective，那么即使每次数据很小：

启动、同步和等待延迟也会累积。

NCCL 也会根据：

拓扑
消息大小
GPU 数量
Collective 类型

选择不同算法。

所以“大块 memcpy 带宽是多少”，不能直接拿来预测 LLM TP Decode。

这也是为什么最终最靠谱的方法还是：

通信微基准 + 真实模型 Benchmark 一起看。

3. 33.5 token/s 背后的真实损失

现在整个模型就比较清楚了。

TP2 得到的收益是：

收益来自两部分：两张 GPU 同时读取各自权重分片，以及两张 GPU 同时执行同一层的部分计算。

付出的成本则包括：

Collective latency
PCIe 数据传输
同步
TP 调度
更小的 GEMM Shape
Kernel 效率损失

另外还存在：

显存带宽不可能永远 100% 有效
NVFP4 量化与 scale 处理
Attention / State 计算
其他 Runtime 开销

所以更准确的说法是：

TP2 聚合了相当一部分双卡显存带宽和计算能力，但不会获得理想 2× Scaling。

33.5 token/s 对这套消费级双卡、无 P2P 环境来说，已经说明 TP2 是有效的，而不是理论上好看、实际被 PCIe 拖垮。

GPU Util 99% 也不等于 Tensor Core 跑满

Decode Benchmark 时，两张 GPU 的 Util 可以接近：

99%

这个现象很容易被理解成：

“GPU 算力已经跑满，所以瓶颈一定是纯计算。”

但 nvidia-smi 的 GPU Util 并不是 Tensor Core 利用率。

它更接近表示：

采样周期内 GPU 是否持续存在正在执行的工作。

所以：

GPU Util = 99%

不能推出：

Tensor Core = 99%

也不能直接证明已经从 Memory Bound 变成 Compute Bound。

GPU 完全可能一直在忙，但相当一部分时间仍然受显存读取、小 GEMM 或同步影响。

不过至少这次没有看到一种更糟糕的状态：

通信等待让 GPU 大量时间完全空闲。

4. P2P、NVLink 和 PCIe 不要混成一个概念

这几个词经常被混在一起。

NVLink

GPU 专用高速互联。

RTX 5060 Ti 没有 NVLink。

PCIe

GPU 与主机、以及多 GPU 通信路径的重要底层总线体系。

没有 NVLink，多 GPU 仍然可以通过 PCIe 体系完成通信。

CUDA P2P

指一个 GPU 是否能够直接访问另一张 GPU 的显存。

它不仅和显卡型号有关，还受到：

PCIe 拓扑
Root Complex
主板 / 平台
虚拟化环境
驱动与平台配置

影响。

所以：

没有 NVLink ≠ 一定没有 P2P

而：

有 PCIe ≠ 一定支持 CUDA P2P

这次租用环境属于：

没有 NVLink
+
P2P 不可用
+
TP2 仍然有效

反而很适合说明：

判断 TP 是否值得，不能只看“有没有 P2P”一个开关。

5. TP2 有收益，不代表 TP 越大越好

从 TP2 继续扩大到：

TP4 / TP8

会同时发生几件事。

每张卡权重更少

这是好事。

TP2：每卡大约 1/2
TP4：每卡大约 1/4

单卡需要读取和计算的权重继续减少。

但 GEMM 也会被切得更小

单 token Decode 本来就是小 Batch / 小 GEMM 场景。

继续切矩阵以后，每张卡拿到的 Shape 更小，GPU 不一定还能维持同样高的执行效率。

Collective 参与者更多

2 卡
→
4 卡
→
8 卡

同步拓扑和延迟都会变复杂。

所以 Scaling 往往更接近：

TP1 → TP2
收益明显

TP2 → TP4
可能继续提升，但效率下降

TP4 → TP8
越来越依赖硬件互联与 Kernel / Collective 实现

这也是消费级 PCIe 多卡和 NVLink / NVSwitch 平台的差距，会随着 TP Degree 增大而越来越明显的原因之一。

双 5060 Ti 的实际结论

这次实测可以总结成：

2 × RTX 5060 Ti 16GB
Qwen3.8-27B NVFP4
TP2
单流 Decode ≈ 33.5 token/s

同时机器：

没有 NVLink
CUDA P2P 不可用
大块跨卡拷贝 ≈ 6.7 GB/s
AllReduce 基准 ≈ 7.8 GB/s

在这种并不理想的跨卡条件下，TP2 仍然获得了明显的单流 Scaling。

原因并不神秘：

收益：
两张 GPU 同时读取自己的权重分片

成本：
同步 MB 级中间状态
+
大量小消息 Collective latency

所以我现在对消费级双卡 TP 的判断是：

没有 NVLink，不应该直接否定 TP。

甚至：

P2P 不可用，也不能单独证明 TP 不值得跑。

真正应该做的是：

测单卡 / TP2 token/s
测实际跨卡通信
看 GPU 拓扑
估算 Collective 数量级
最后用真实 Scaling 判断

6. 结论

双卡推理没有两倍快，不是因为一句：

PCIe 太慢

就能解释。

TP2 实际上是两股力量的竞争：

双卡显存带宽与计算并行
                ↑
                │
            最终性能
                │
                ↓
PCIe / Collective / 同步 / Kernel 开销

在这次双 5060 Ti + 27B 的实测中，TP2 的结果说明：

消费级 PCIe 双卡依然可以通过 TP 获得很有价值的单流加速。

下一步问题就从“TP 到底有没有用”变成了：

既然模型已经能放下、TP 也确实能加速，真正做长期推理服务时，llama.cpp 和 vLLM 到底应该选谁？

《为什么生产推理我默认 vLLM：从 NVFP4、Kernel 到 CUDA Graph》

系列导航： ← 上一篇：双卡部署大模型：TP、PP、DP 和 Layer Split 到底有什么区别？ · 下一篇：为什么生产推理我默认 vLLM：从 NVFP4、Kernel 到 CUDA Graph →