【2026 最新】Strata 雙顯卡反而變慢？Main／Helper、PCIe 與兩種分工排查六步教學

你把第二張顯卡接進電腦，本來期待 Strata 回答更快，結果第一個字等更久，整段也拖慢。Strata 雙顯卡最容易誤判的地方，就是把「多了顯存」直接當成「少了等待」。

這篇寫給已經讓 Strata 跑起來、手上已有兩張 NVIDIA 顯卡，卻不熟悉分工與插槽路徑的讀者。先用白話拆開 Main／Helper，再照六步留下可比較的紀錄；不用先背完硬體術語，也能判斷副卡該留下、停用，還是另做其他工作。

本文依 2026 年 11 月 15 日查閱的官方文件與原始碼整理診斷方法，未在 CUDA 雙卡上執行效能測試。目前發布頁標為 v0.2.13，App／Terminal、Control 與引擎另有各自版本及平台更新註記；下面機制與設定以主分支 13eedf552417 的文件為範圍，操作前先核對你安裝版本的說明。

先說結論：雙卡收益＝省下的工作－新增的搬運與等待

把兩張卡想成兩個廚房：多一個廚房能放更多食材，但一道菜若要來回交接，出餐未必更快。容量、讀題速度、逐字輸出速度、完整交件時間，是四個要分開驗收的結果。今天先保留一份單主卡基準，再一次改一項。

兩則社群問題讓這個混淆很具體：3090／5080 使用者回報加卡後變慢；另一位4090／2080 Ti 使用者詢問要不要換插槽。它們證明有人遇到這些問題，還不足以證明每台機器都該拔副卡；留言裡不同模型、Context 與分工的速度，也應各自留在原配置裡。

一、Strata 雙顯卡先認兩種分工：接力做層，或分頭算專家

Layer split（按模型層切分）像一道菜分站接力。依官方多卡文件，每張卡負責一段連續層；Main 位於引擎順序的最後。未啟用 pipeline-windows 的一般設定下，它還負責輸出頭、草稿層與驗證；該選配模式會調整草稿位置。Helper 承擔部分層與其專家快取，Off 則讓 Strata 不使用該卡。畫面的 Helper 名稱，先放在這個分層語境理解。

Expert-cache helper（專家快取副卡）像主廚把部分工序外包。MoE 是每一步選部分「專家」計算的模型架構；這條實驗路徑讓主裝置保留主要狀態，副卡保存並計算另一批專家，結果經主機的固定記憶體緩衝返回。依SECOND_GPU 文件，提示詞預填仍走主裝置，副卡協助 decode，且每層須等 helper 回來。

Prefill 是把提示詞讀進去，decode 是接著生成 token；token 可先理解成模型處理的文字片段。分層路徑在階段間交接，專家副卡則在層內等待回傳。同樣叫 helper，交接的位置卻不同。因此「副卡搬的資料少」與「副卡拖住主卡」都要先問：說的是哪個模式、哪一段工作？

二、Strata 雙顯卡排查六步：先基準，再角色，最後換插槽

第 1 步：「是不是同一場測試？」先固定版本與任務

用同一份考卷排除無關差異。保存 App、Terminal、Control、引擎版本，模型檔完整名稱與雜湊、量化格式、Context 上限、實際輸入長度、輸出上限、抽樣設定、草稿模式及並行數。原始啟動設定另存一份，背景程式與顯示器接在哪張卡也記下。

先執行 strata --help、strata launch --help 與 strata serve --help。這是在確認手上的入口和選項，不是更新程式。App、可攜 Terminal 與原始碼 setup 的參數各有用途；看到 --gpus，先查它屬於哪一個入口，別直接接到 launch 後面。

測試任務選一小段固定資料：例如給三項商品的名稱與數量，要求輸出固定 JSON，並人工準備正確答案。先做短提示詞，再做一份貼近實際工作長度的固定材料；兩份各自比較。Context 上限與這次實際讀了多少 token，也分欄記錄。

第 2 步：「0 號卡到底是哪張？」對齊實體卡與 Main

用卡片身分對帳，先執行 nvidia-smi --query-gpu=index,name,uuid,pci.bus_id,memory.total --format=csv。把型號、UUID、PCI bus ID、實體插槽與 Strata 角色寫在同一列；NVIDIA 文件提醒，索引順序可能隨重開機變動，長期識別應核對 UUID 或 bus ID。

在 App 的每卡選擇設 Main、Helper、Off；Terminal 可從 strata launch 的 Cards 步驟查看。官方通常推薦較快卡為 Main，也納入顯存等條件；先以推薦為起點，再用同一任務比較，不必先把卡號大小當速度排名。

若本機 help 列出 --gpu-roles，文件範例 strata launch --gpu-roles 1=main,0=helper 是指定角色；未列出的卡為 Off。這裡的 0、1 必須換成你剛確認的對應，不是建議所有 4090 都填 1。保留原模型設定，啟動後再找日誌中的 layer split:，核對實際卡序與層範圍。

只改 JSON 的一個欄位也容易漏：官方說明手動 gpu 列表若與 gpu_roles 不一致，會由 gpu 優先並記錄在日誌。你填過的設定、實際產生的設定、這次正在服務的設定，要對得起來。

第 3 步：「副卡真的幫忙嗎？」先做軟體停用對照

採用A→B→A 對照：A 是原本主卡 Main、副卡 Off；B 是同一主卡 Main、副卡 Helper；再回 A 確認原狀。先結束進行中任務，依原安裝方式停止舊服務、切換並重新啟動，保留啟動日誌。每次只送一個請求，冷啟動與暖機後分開記。

可先各跑三輪暖機後的相同請求，保留每輪原始結果與中位數；這是入門測試設計，不是統計顯著性的門檻。量完整任務時間，也記答案是否通過。若單卡在相同模型與 Context 下無法啟動，就把它記成容量限制，別偷偷換更小模型後宣稱速度勝負。

這一步的 Off 只停用 Strata 對副卡的使用；卡仍插在主機板上。軟體停用與物理移除是不同測試條件。主插槽會否恢復較多通道，要回到主機板的分配規則和實際讀值確認。

第 4 步：「插槽很長就很快？」畫出 PCIe 與 NVMe 路徑

PCIe 可想成顯卡和主機間的道路：世代像道路規格，x16／x8／x4 是通道數，插槽外形則像入口大小。入口一樣長，內部可用通道仍可能不同。ASUS 的官方確認流程也要求同時核對主機板規格、插槽配置與 M.2 共用頻寬。

先在主機板手冊找完整型號與 revision 的方塊圖、Expansion slots、M.2 sharing 表，畫出 CPU→主卡、CPU→副卡，或 CPU→晶片組→副卡，另把 NVMe、USB 等裝置接上實際所屬路徑。本文沒有該提問者主機板的完整型號與接線證據，因此不替那台電腦判定哪個槽必勝。

Linux 且驅動支援時，可用 nvidia-smi topo -m 看連線矩陣，再用 nvidia-smi -q 並尋找輸出中的 PCI 資訊。拓樸與連線讀值各有用途，仍應和手冊對照；碰到不支援欄位就記「未取得」。需要連續紀錄時，先用 nvidia-smi --help-query-gpu 確認當前驅動接受的欄位。

在固定工作負載進行時記錄 current link generation／width，同時留 max 值；NVIDIA 查詢說明指出，閒置時 current generation 可能降低。不要只看桌面閒置截圖，就判定裝錯插槽。

只有軟體對照已完成，且你熟悉硬體安裝時，才按機殼、電源與主機板手冊，在完全關機斷電後測另一個可用插槽。另開測試條件，重新查卡號、卡序與連線，維持其他設定；換槽造成主卡頻寬、散熱或共用路徑改變，都一起記錄。

第 5 步：「改成專家快取會更好？」另開實驗分支

先用分開設定、分開驗收保留可退回的分層基準。已有原始碼／引擎設定經驗的讀者，再參考 SECOND_GPU：--expert-cache-device1 auto 是放入 run config 的 args 的引擎旗標，不是 launch 選項；主裝置編號也要按該次可見裝置順序核對。

官方引擎參數範例還包含 --expert-cache auto 與 --remote-expert-opt，但這不是能單獨啟動的完整設定。先保留模型、profile、引擎與路徑欄位，再檢查最終引擎參數是否仍帶分層設定；熟悉靜態設定的讀者可按 serve 文件使用 strata serve --profile "你的設定檔路徑" --plan --output json 檢查。選項需先在本機 help 確認；正式啟動時一併移除 --plan --output json，使用一般前景輸出；這會載入模型並占用 GPU。

這條路徑的 auto 依容量配置，不能當成速度調優完成。官方要求 helper 留至少 512 MiB 空間，也提醒 Windows 顯示桌面或其他程序使用 VRAM 時，過度配置可能落到系統 RAM。看啟動時的快取槽與每次請求實際由 helper 計算的項目，別只看顯存變滿。

品質是這一步的停止條件。官方明記 CUDA0 專家快取命中路徑的輸出會與 cache-off 有差異；--remote-expert-opt 也改變浮點加總順序，未承諾逐位相同，並會關閉 --pipeline-windows。先對 JSON、事實答案與實際任務驗收；若失敗或反覆循環，就回到原設定。

第 6 步：「到底留下哪個配置？」以合格交件決定

建立一張可重跑的紀錄：輪次、版本／模型雜湊、模式、主副卡身分、實體插槽、連線讀值、Context／實際輸入長度、載入時間、首 token 等待、prefill、decode、完整任務時間、輸出 token 數、VRAM 峰值、答案通過與工具重試。未取得填文字，別填零。

以固定商品 JSON 的任務為例：先單卡讀短題，再雙卡讀同一題；接著各跑長材料。若雙卡 decode 提高、首字卻更晚，先看 prefill 與載入；若整段變慢，核對層分配、helper 工作量與搬運路徑。這些是找證據的方向，仍須回 A 重跑才能提高因果判讀的把握。

想把含工具的任務也納入，先理解 Agent Harness 的模型與執行層分工，再沿 最小 Harness 的工具結果與停止條件留時間線。推論後端快了，但工具多重試兩次，讀者等到交件的時間仍可能變長。

三、三個決策出口：保留、停用，或分開服務

• 保留副卡：同一模型和工作下，容量需求得到滿足，品質通過，完整任務等待也符合你的目標；把該組設定與證據一起保存。
• 先停用副卡：單卡能完成工作，重複對照後等待更短或更穩定；留下雙卡設定，之後換模型再比較。
• 另派工作：語音辨識或另一個小模型可考慮各用一張卡，但應另測同時執行時的 RAM、CPU 與共用路徑；每個服務固定裝置與不同埠，避免與原測試混在一起。

排查中先少碰幾個容易誤用的開關：官方分層模式不要求 NVLink／P2P，能經主機 RAM 交接；但 --peer-device 是 SECOND_GPU 另外描述的路徑。又如手動 --pcie-frac 會套到每張卡並略過各卡探測，別把社群的數字直接當作自己的最佳值。

如果症狀其實是長對話或切換工作後才逐漸變慢，接著看 Session Cache、停放與 RAM／SSD 排錯；若尚未分清模型與引擎，可先補 Strata 本機推論的容量與速度代價。把不同問題拆開，才能知道這輪到底改進了什麼。

常見問題：八個先講答案的判斷

1. 兩張卡的 VRAM 可以直接相加算速度？

不能這樣推算。分層文件列出每卡各自保留的權重、狀態與緩衝；總容量也要扣除這些成本，速度另看運算與交接。

2. Main 一定是 nvidia-smi 的 GPU 0？

不是固定對應。分層模式的 Main 是引擎順序最後一張；用實體卡身分、可見裝置順序和啟動日誌核對。

3. UI 的 Helper 就是 expert-cache-device1？

先分清語境。UI 多卡角色描述的是分層分工；expert-cache-device1 是實驗性專家快取旗標。

4. 沒有 NVLink 就一定變慢？

不能從這一點下結論。官方分層模式與一般 helper cache 都有經主機緩衝的路徑；實際等待仍須同配置比較。

5. 把副卡設 Off，主卡就會恢復 x16？

要查主機板。Off 停的是 Strata 使用；插卡本身如何分配通道，要核對手冊與實際連線。

6. x4 插槽一定不適合 Strata？

要看工作與路徑。官方分層文件記載可在較窄插槽運作；能運作與達到你的延遲目標是兩件事。

7. helper auto 填滿顯存，就證明調好了？

還要驗收。它按可用容量配置；看實際 helper 運算、完整任務時間和輸出品質。

8. 速度變快，但答案改了，算成功嗎？

先按任務驗答案。浮點路徑改變可以造成文字差異；若事實、JSON 或工具任務未通過，就不能把更快當作合格交付。

給新手的三個重點

第一，先辨認分層與專家副卡，再談 Main／Helper。第二，先軟體停用做 A→B→A，再把換槽列成新條件。第三，讓版本、卡片、路徑與品質跟著時間數字走。雙卡收益＝省下的工作－新增的搬運與等待。