Qwen3.6 MTP加速，本地部署加速1.5倍，驅動 Claude Code

昨天，Daniel Han（UnslothAI 創始人）又把完整 Qwen3.6+MTP Guide 補全了，包括需要哪個 PR 分支、怎么編譯、不同模式的參數、官方 benchmarks

我感覺這是本地部署+Claude Code一個極佳選擇，雖然之前介紹的已經很詳細了，忍不住把整個流程串起來再分享一下

? Qwen3.6 27B 現在能跑到 140 tokens/s，35B-A3B 能跑到 220 tokens/s，相比原始 GGUF 直接 >1.4x 加速、精度不變

簡單一句話：MTP（Multi Token Prediction）= 投機解碼的「自帶 draft model」版本

普通投機解碼要你額外維護一個小模型當 draft，挺麻煩。Qwen3.6 在訓練時就內置了 MTP 頭：

1. 模型一次性預測「未來幾個 token」

2. 主模型并行把這幾個 token 驗證一遍

3. 接受率高的部分直接吐出去，少跑幾次前向

實際跑下來：

• dense 模型 （27B）：draft tokens = 2 時平均 1.4x 加速

• MoE 模型 （35B-A3B）：平均 1.15–1.2x 加速

下圖是 Unsloth 官方給出的 MTP 加速曲線和吞吐對比：

Qwen3.6 MTP 加速曲線 Qwen3.6 MTP 吞吐對比

為什么 --spec-draft-n-max 卡在 2？官方測了一下：draft tokens 從 2 漲到 4 時，接受率從 **83% 直接掉到 50%**，前向開銷反而把收益吃光

所以別貪心

編譯：必須用特定的 llama.cpp PR 分支

這是最容易踩的坑 —— 不能直接用 master 的 llama.cpp

MTP 的支持還在合并中，要用 Aman 的 PR 分支（ggml-org/llama.cpp#22673）

完整編譯命令（Linux / WSL，要 CUDA 改 -DGGML_CUDA=ON）：

apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone -b mtp-clean https://github.com/am17an/llama.cpp.git
cmake llama.cpp -B llama.cpp/build -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-server
cp llama.cpp/build/bin/llama-* llama.cpp

Mac / Metal 設備改成 -DGGML_CUDA=OFF 即可，Metal 默認就開

?? CUDA 13.2 千萬別用，NVIDIA 自己確認有 bug，會輸出亂碼

跑起來：27B 與 35B-A3B 的實操命令

27B MTP（thinking 模式，通用任務）：

export LLAMA_CACHE="unsloth/Qwen3.6-27B-MTP-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.6-27B-GGUF:UD-Q4_K_XL \
    --temp 1.0 --top-p 0.95 --top-k 20 \
    --presence-penalty 1.5 --min-p 0.00 \
    --spec-type mtp --spec-draft-n-max 2

35B-A3B MTP（non-thinking 模式起 server，方便對接 OpenAI 兼容客戶端）：

export LLAMA_CACHE="unsloth/Qwen3.6-35B-A3B-MTP-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.6-35B-A3B-MTP-GGUF:UD-Q4_K_XL \
    --temp 0.7 --top-p 0.8 --top-k 20 \
    --presence-penalty 1.5 --min-p 0.00 \
    --spec-type mtp --spec-draft-n-max 2 \
    --chat-template-kwargs '{"enable_thinking":false}'

一些容易忽略的參數：

• thinking 模式 用 temperature=1.0, top_p=0.95, presence_penalty=1.5

• non-thinking 模式 用 temperature=0.7, top_p=0.8, presence_penalty=1.5

• 精確編程任務統一壓到 temperature=0.6/1.0 ， presence_penalty=0.0

• 想關掉 thinking： --chat-template-kwargs '{"enable_thinking":false}'

• 輸出亂碼大概率是上下文長度太小，或者加上 --cache-type-k bf16 --cache-type-v bf16 試試

按總內存（VRAM + 系統 RAM 或 unified memory）算：

模型

2-bit

4-bit (UD-Q4_K_XL)

8-bit

BF16

Qwen3.6-27B

15 GB

18 GB

30 GB

55 GB

Qwen3.6-35B-A3B

17 GB

23 GB

38 GB

70 GB

不夠的話 llama.cpp 還能 SSD/HDD offload，只是會慢

?? 目前 Ollama 跑不了 Qwen3.6 GGUF（mmproj 視覺文件是分開的），用 llama.cpp 路線就對了

One More Thing：用本地 Qwen3.6 驅動 Claude Code

跑起來不接 Agent 就有點虧。Unsloth 在 docs/basics/claude-code 里把整條流水線寫得很完整，我把關鍵步驟拎出來

第一步：裝 Claude Code

curl -fsSL https://claude.ai/install.sh | bash
cd ~/projects/my-project
claude

第二步：起本地 llama-server（接前面 35B-A3B 的命令）

./llama.cpp/llama-server \
  --model unsloth/Qwen3.6-35B-A3B-GGUF/Qwen3.6-35B-A3B-UD-Q4_K_XL.gguf \
  --alias "unsloth/Qwen3.6-35B-A3B" \
  --temp 0.6 --top-p 0.95 --top-k 20 --min-p 0.00 \
  --ctx-size 16384 --port 8001

第三步：踩坑預警 —— 一個讓推理慢 90% 的隱藏開關

這是文檔里我覺得全網最值得抄的一條：

? Claude Code 最近開始往請求里加一個 Claude Code Attribution Header，這玩意兒會讓 KV Cache 失效，本地模型推理直接慢 90%

而且更坑的是 export CLAUDE_CODE_ATTRIBUTION_HEADER=0不管用

必須改 ~/.claude/settings.json，在 env 段里加：

{
  "env": {
    "CLAUDE_CODE_ATTRIBUTION_HEADER": "0"
  }
}

第四步：把 Claude Code 指向本地端口

export ANTHROPIC_BASE_URL="http://127.0.0.1:8001"
export ANTHROPIC_AUTH_TOKEN="sk-no-key-required"
export ANTHROPIC_MODEL="unsloth/Qwen3.6-35B-A3B"

再 claude 就能在終端用本地 Qwen3.6 跑 Agent 了。Unsloth Studio 那條路（帶 web UI + 自帶 API key + 自愈式 tool calling）也寫得很清楚，喜歡圖形界面的可以走那條：

總結

挑重點：

• MTP 不是新模型，是一種 draft-free 的投機解碼 ，靠 Qwen3.6 訓練時自帶的 MTP 頭實現

• --spec-draft-n-max 2 是甜點位，多了反而慢

• 必須用 Aman 的 PR 分支，不能用 master

• CUDA 13.2 別碰

• 接 Claude Code 一定記得改 ~/.claude/settings.json 關掉 Attribution Header，不然你本地速度優化全白做

適合誰：

• 24GB 顯存的本地玩家 ：27B MTP + Q4 量化是新甜點

• 小作坊和私有化部署 ：拿 35B-A3B 跑 server 接 Claude Code，足夠日常代碼 Agent

• 不接受 Ollama 短板的用戶 ：直接 llama.cpp + MTP

.6

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！