大概結論：llama.cpp 多 GPU offload 不是「多一張卡就白撿一倍性能」。如果模型本來能完整放進一張 32GB 顯卡，2x V100 16GB 通常不如單張 32GB 顯卡省心，甚至可能更慢；如果模型單張 16GB 放不下，雙卡的主要價值是「能把模型放進 GPU」，這時收益會很明顯。
先分清 split mode
llama.cpp 的多 GPU 主要圍繞 --split-mode 和 --tensor-split 使用。實際討論性能時，先要區分幾種模式：
layer：按層切分到不同 GPU，兼容性較好，也是多數人優先嘗試的方式。tensor：把張量計算拆到多張 GPU 上，更接近並行計算，但更依賴 GPU 之間的互聯頻寬和後端支援。row：舊的行切分方式，在不少場景裡仍能看到，但新部署通常不建議優先從它開始。
簡單說，layer 更像「把不同樓層放在不同卡上」，單 token 生成時不一定能讓兩張卡同時滿負載；tensor 更像「同一層兩張卡一起算」，理論上更能並行，但跨卡通訊會成為關鍵瓶頸。
單卡 32GB 能放下時：雙 16GB 不一定更快
如果模型和 KV cache 能完整放進一張 32GB 顯卡，那麼單卡通常更穩，也常常更快。對 1x V100 32GB 和 2x V100 16GB 這類同代硬體來說，後者未必能贏。
比較保守的預期是：2x V100 16GB 可能比單張 V100 32GB 慢 10% 到 40%，尤其是單人聊天、Continue Agent、程式碼問答這類一次主要生成一個回答的場景。
原因不複雜：多 GPU 不是簡單合併顯存。按層切分時，推理會在不同 GPU 之間流轉，單 token 生成階段經常是部分 GPU 等另一部分 GPU；按張量切分時，兩張卡可以一起算，但中間結果需要跨卡同步，互聯頻寬和延遲會直接影響吞吐。
所以如果你的選擇是：
- 1x V100 32GB
- 2x V100 16GB
並且目標模型單張 32GB 已經能完整放下，那麼單張 32GB 往往是更舒服的選擇。
單卡 16GB 放不下時：雙卡價值很大
另一種情況完全不同：模型單張 16GB 放不下，但兩張 16GB 合起來可以放下。
這時雙卡的價值就很直接：
- 單張 16GB：可能需要大量 CPU offload，速度明顯變慢。
- 2x 16GB：權重盡量留在 GPU 上，速度可能比 CPU/GPU 混跑快很多。
這種場景下，2x V100 16GB 不一定比單張 32GB 快，但它可能比「單張 16GB 加大量系統記憶體 offload」快幾倍。也就是說，雙卡的第一價值不是加速，而是避免模型被迫落到更慢的系統記憶體裡。
V100 PCIe 和 V100 SXM2 差別很大
多 GPU 推理最容易被忽略的是互聯。
如果是 V100 SXM2，並且機器裡有 NVLink，跨卡通訊頻寬高很多。NVIDIA 的 V100 資料裡，NVLink 互聯最高可到 300GB/s。這種環境下，tensor 或更高 batch 的場景才更有機會接近甚至超過單卡表現。
如果是 V100 PCIe，情況就保守得多。V100 PCIe 的互聯主要走 PCIe Gen3，資料裡標的 interconnect bandwidth 是 32GB/s。這個頻寬和 NVLink 不是一個量級，所以雙卡經常出現「顯存夠了，但速度沒有翻倍」的情況。
因此判斷 2x V100 16GB 值不值得，不能只看顯存相加是 32GB，還要看它們是 PCIe 版還是 SXM2/NVLink 版。
怎麼選更實際
如果模型能放進單張 32GB 顯卡，優先選單卡。它的延遲、穩定性和調參成本通常更好。
如果模型單張 16GB 放不下，而兩張 16GB 能放下，雙卡值得用。此時重點是讓權重盡量留在 GPU，而不是期待性能線性翻倍。
如果是 V100 PCIe 雙卡，優先嘗試 --split-mode layer，把目標放在「能穩定跑」和「少走 CPU」上。
如果是 V100 SXM2/NVLink，才更值得測試 tensor 相關模式，尤其是 prefill、大 batch 或併發請求場景。
什麼時候買 2x16GB，什麼時候買 1x32GB
如果你只服務一個人，主要做聊天、程式碼補全、Continue Agent、長上下文問答，並且目標模型能放進 32GB，那麼 1x32GB 通常更值得。它少了跨卡調度，延遲更穩定，排查問題也簡單。
如果你已經有一張 16GB 卡，想用較低成本擴到能跑 30B、32B 或更高量化模型，2x16GB 就有意義。它不一定讓 token/s 翻倍，但可以把原本必須 CPU offload 的權重留在 GPU 上。
如果你準備重新採購，優先級可以這樣排：
- 單模型、單使用者、重視回應延遲：優先 1x32GB。
- 模型單卡放不下、預算有限：可以考慮 2x16GB。
- 有 NVLink 或 SXM2 機器：2x16GB 的可玩性明顯高於普通 PCIe 雙卡。
- 未來想跑更長上下文：不要只看權重大小，還要預留 KV cache 顯存。
layer split 和 tensor split 怎麼用
實用建議是：先用 layer，再測 tensor。
layer 適合作為預設起點。它按層分配模型，兼容性較好，對 PCIe 雙卡更友好。缺點是生成階段可能更像流水線，某些時刻只有一張卡在忙，另一張卡在等。
tensor 更適合互聯頻寬好的機器，例如 V100 SXM2/NVLink。它把同一層的部分計算拆到多張卡上，理論上更有並行空間，但跨卡同步更頻繁。如果是 PCIe 雙卡，tensor 可能會被通訊開銷吃掉收益。
實際測試時可以從這幾組開始：
|
|
第三條不是為了長期使用，而是給單卡結果做一個參照。這樣才能看出雙卡到底是更快，還是只是把顯存壓力分攤出去了。
prefill 和 decode 為什麼表現不同
本地大模型性能通常要分成兩個階段看：
prefill：處理輸入 prompt，典型指標是pp512這類 prompt processing 吞吐。decode：逐 token 生成回答，典型指標是tg128這類 token generation 吞吐。
prefill 更像大批量矩陣計算，batch 較大時更容易把 GPU 餵飽，也更可能從多 GPU 並行裡受益。decode 是一個 token 接一個 token 生成，batch 小、同步頻繁，跨卡通訊和調度延遲更容易暴露出來。
所以你可能會看到一種結果：雙卡的 pp512 更好，但 tg128 沒明顯提升，甚至更慢。對聊天和 Agent 來說，使用者體感更接近 tg128；對長文件導入、批量預填充、併發服務來說，pp512 也很重要。
KV cache 會不會成為第二個顯存瓶頸
會。很多人只算模型權重，忘了 KV cache。
模型權重決定「能不能載入模型」，KV cache 決定「能不能開足上下文」。上下文越長、併發越高、batch 越大，KV cache 佔用越明顯。你可能遇到這種情況：模型本體能放進 32GB，但一開 32K 或 64K 上下文，顯存又不夠了。
判斷時至少要留出幾塊顯存餘量：
- KV cache
- CUDA graph 或後端執行時開銷
- prompt batch 和 ubatch
- 系統桌面、驅動和其它程序佔用
如果你用的是 2x16GB，顯存不是一個完全等價的 32GB 大池子。某些緩衝區、KV cache 或中間張量仍然會受單卡剩餘顯存影響。測試長上下文時，最好直接用目標 --ctx-size 和目標併發數測，而不是只看模型能不能啟動。
用 llama-bench 做自己的雙卡測試
llama-bench 比直接聊天更適合做硬體對比，因為它會把 prompt processing 和 token generation 拆成可比較的指標。官方 README 的預設示例就是：
|
|
對雙 V100，可以至少測這幾組：
|
|
重點看兩列：
pp512：prompt processing，長輸入和批量預填充更相關。tg128：token generation，單人聊天和 Agent 體感更相關。
測試時盡量固定模型、量化格式、上下文、batch、驅動版本和 llama.cpp 版本。每組多跑幾次，取中位數，比只看一次結果可靠。最後再用真實工作流跑一遍，例如 Continue Agent、OpenAI-compatible server 或你自己的 RAG 請求，因為 benchmark 好看不代表互動體驗一定更好。
一句話結論
2x V100 16GB 的優勢主要是顯存容量，而不是必然的生成速度。模型單卡能放下時，單張 32GB 往往更快、更穩；模型單卡放不下時，雙 16GB 的價值就很大，因為它能避免大量 CPU offload。至於能不能更快，關鍵看 split mode、batch、模型大小，以及兩張 V100 之間到底是 PCIe 還是 NVLink。
參考資料：