大概结论：llama.cpp 多 GPU offload 不是“多一张卡就白捡一倍性能”。如果模型本来能完整放进一张 32GB 显卡，2x V100 16GB 通常不如单张 32GB 显卡省心，甚至可能更慢；如果模型单张 16GB 放不下，双卡的主要价值是“能把模型放进 GPU”，这时收益会很明显。
先分清 split mode
llama.cpp 的多 GPU 主要围绕 --split-mode 和 --tensor-split 使用。实际讨论性能时，先要区分几种模式：
layer：按层切分到不同 GPU，兼容性较好，也是多数人优先尝试的方式。tensor：把张量计算拆到多张 GPU 上，更接近并行计算，但更依赖 GPU 之间的互联带宽和后端支持。row：旧的行切分方式，在不少场景里仍能看到，但新部署通常不建议优先从它开始。
简单说，layer 更像“把不同楼层放在不同卡上”，单 token 生成时不一定能让两张卡同时满负载；tensor 更像“同一层两张卡一起算”，理论上更能并行，但跨卡通信会成为关键瓶颈。
单卡 32GB 能放下时：双 16GB 不一定更快
如果模型和 KV cache 能完整放进一张 32GB 显卡，那么单卡通常更稳，也常常更快。对 1x V100 32GB 和 2x V100 16GB 这类同代硬件来说，后者未必能赢。
比较保守的预期是：2x V100 16GB 可能比单张 V100 32GB 慢 10% 到 40%，尤其是单人聊天、Continue Agent、代码问答这类一次主要生成一个回答的场景。
原因不复杂：多 GPU 不是简单合并显存。按层切分时，推理会在不同 GPU 之间流转，单 token 生成阶段经常是部分 GPU 等另一部分 GPU；按张量切分时，两张卡可以一起算，但中间结果需要跨卡同步，互联带宽和延迟会直接影响吞吐。
所以如果你的选择是：
- 1x V100 32GB
- 2x V100 16GB
并且目标模型单张 32GB 已经能完整放下，那么单张 32GB 往往是更舒服的选择。
单卡 16GB 放不下时：双卡价值很大
另一种情况完全不同：模型单张 16GB 放不下，但两张 16GB 合起来可以放下。
这时双卡的价值就很直接：
- 单张 16GB：可能需要大量 CPU offload，速度明显变慢。
- 2x 16GB：权重尽量留在 GPU 上，速度可能比 CPU/GPU 混跑快很多。
这种场景下，2x V100 16GB 不一定比单张 32GB 快，但它可能比“单张 16GB 加大量系统内存 offload”快几倍。也就是说，双卡的第一价值不是加速，而是避免模型被迫落到更慢的系统内存里。
V100 PCIe 和 V100 SXM2 差别很大
多 GPU 推理最容易被忽略的是互联。
如果是 V100 SXM2，并且机器里有 NVLink，跨卡通信带宽高很多。NVIDIA 的 V100 资料里，NVLink 互联最高可到 300GB/s。这种环境下，tensor 或更高 batch 的场景才更有机会接近甚至超过单卡表现。
如果是 V100 PCIe，情况就保守得多。V100 PCIe 的互联主要走 PCIe Gen3，资料里标的 interconnect bandwidth 是 32GB/s。这个带宽和 NVLink 不是一个量级，所以双卡经常出现“显存够了，但速度没有翻倍”的情况。
因此判断 2x V100 16GB 值不值得，不能只看显存相加是 32GB，还要看它们是 PCIe 版还是 SXM2/NVLink 版。
怎么选更实际
如果模型能放进单张 32GB 显卡，优先选单卡。它的延迟、稳定性和调参成本通常更好。
如果模型单张 16GB 放不下，而两张 16GB 能放下，双卡值得用。此时重点是让权重尽量留在 GPU，而不是期待性能线性翻倍。
如果是 V100 PCIe 双卡，优先尝试 --split-mode layer，把目标放在“能稳定跑”和“少走 CPU”上。
如果是 V100 SXM2/NVLink，才更值得测试 tensor 相关模式，尤其是 prefill、大 batch 或并发请求场景。
什么时候买 2x16GB，什么时候买 1x32GB
如果你只服务一个人，主要做聊天、代码补全、Continue Agent、长上下文问答，并且目标模型能放进 32GB，那么 1x32GB 通常更值得。它少了跨卡调度，延迟更稳定，排查问题也简单。
如果你已经有一张 16GB 卡，想用较低成本扩到能跑 30B、32B 或更高量化模型，2x16GB 就有意义。它不一定让 token/s 翻倍，但可以把原本必须 CPU offload 的权重留在 GPU 上。
如果你准备重新采购，优先级可以这样排：
- 单模型、单用户、重视响应延迟：优先 1x32GB。
- 模型单卡放不下、预算有限：可以考虑 2x16GB。
- 有 NVLink 或 SXM2 机器：2x16GB 的可玩性明显高于普通 PCIe 双卡。
- 未来想跑更长上下文：不要只看权重大小，还要预留 KV cache 显存。
layer split 和 tensor split 怎么用
实用建议是：先用 layer，再测 tensor。
layer 适合作为默认起点。它按层分配模型，兼容性较好，对 PCIe 双卡更友好。缺点是生成阶段可能更像流水线，某些时刻只有一张卡在忙，另一张卡在等。
tensor 更适合互联带宽好的机器，例如 V100 SXM2/NVLink。它把同一层的部分计算拆到多张卡上，理论上更有并行空间，但跨卡同步更频繁。如果是 PCIe 双卡，tensor 可能会被通信开销吃掉收益。
实际测试时可以从这几组开始：
|
|
第三条不是为了长期使用，而是给单卡结果做一个参照。这样才能看出双卡到底是更快，还是只是把显存压力分摊出去了。
prefill 和 decode 为什么表现不同
本地大模型性能通常要分成两个阶段看：
prefill：处理输入 prompt，典型指标是pp512这类 prompt processing 吞吐。decode：逐 token 生成回答，典型指标是tg128这类 token generation 吞吐。
prefill 更像大批量矩阵计算，batch 较大时更容易把 GPU 喂饱，也更可能从多 GPU 并行里受益。decode 是一个 token 接一个 token 生成，batch 小、同步频繁，跨卡通信和调度延迟更容易暴露出来。
所以你可能会看到一种结果：双卡的 pp512 更好，但 tg128 没明显提升，甚至更慢。对聊天和 Agent 来说，用户体感更接近 tg128；对长文档导入、批量预填充、并发服务来说，pp512 也很重要。
KV cache 会不会成为第二个显存瓶颈
会。很多人只算模型权重，忘了 KV cache。
模型权重决定“能不能加载模型”，KV cache 决定“能不能开足上下文”。上下文越长、并发越高、batch 越大，KV cache 占用越明显。你可能遇到这种情况：模型本体能放进 32GB，但一开 32K 或 64K 上下文，显存又不够了。
判断时至少要留出几块显存余量：
- KV cache
- CUDA graph 或后端运行时开销
- prompt batch 和 ubatch
- 系统桌面、驱动和其它进程占用
如果你用的是 2x16GB，显存不是一个完全等价的 32GB 大池子。某些缓冲区、KV cache 或中间张量仍然会受单卡剩余显存影响。测试长上下文时，最好直接用目标 --ctx-size 和目标并发数测，而不是只看模型能不能启动。
用 llama-bench 做自己的双卡测试
llama-bench 比直接聊天更适合做硬件对比，因为它会把 prompt processing 和 token generation 拆成可比较的指标。官方 README 的默认示例就是：
|
|
对双 V100，可以至少测这几组：
|
|
重点看两列：
pp512：prompt processing，长输入和批量预填充更相关。tg128：token generation，单人聊天和 Agent 体感更相关。
测试时尽量固定模型、量化格式、上下文、batch、驱动版本和 llama.cpp 版本。每组多跑几次，取中位数，比只看一次结果可靠。最后再用真实工作流跑一遍，例如 Continue Agent、OpenAI-compatible server 或你自己的 RAG 请求，因为 benchmark 好看不代表交互体验一定更好。
一句话结论
2x V100 16GB 的优势主要是显存容量，而不是必然的生成速度。模型单卡能放下时，单张 32GB 往往更快、更稳；模型单卡放不下时，双 16GB 的价值就很大，因为它能避免大量 CPU offload。至于能不能更快，关键看 split mode、batch、模型大小，以及两张 V100 之间到底是 PCIe 还是 NVLink。
参考资料：