[koshikawa-masato]

This follows the request in #3 to remeasure using the new benchmark implementation.

XeStrata xe0.1.40.2.2 vs Strata v0.1.42, same-day runs on Ryzen 9 9950X / 128 GB RAM / 2× V100 PCIe 32 GB at 150 W each. IQ3_S, 32K, INT8 KV, MTP spec 4 / min-p 0.5, 24+24 layers, two slots / one active request.

Measurement	Strata v0.1.42	XeStrata xe0.1.40.2.2
Japanese decode (tok/s)	79.2	68.2
English decode (tok/s)	88.5	80.5
Agent decode (tok/s)	87.2	75.6
Japanese TTFT (s)	0.64	0.96
Agent TTFT (s)	4.53	5.29
Agent prefill (tok/s)	876	743

Uses unmodified tools/bench_core.py ab_usage, conversations, sampling and aggregation: two alternating rounds, warm-ups excluded, all 68 measured turns completed.

Method caveat: this is not an unmodified --bench --original-strata invocation. At the measured tag, bench.py usage_cfg drops split_pci, layer_split, parallel and env during comparison, and upstream preparation selects the first GPU. Complete per-engine configurations were passed directly to official ab_usage to preserve the dual-GPU setup. No standalone generate/serve tiers, concurrency load test or quality evaluation.

Includes Japanese/English reports, commits and conditions, actual sanitized configs, per-turn records, and sanitized engine logs. XeStrata reports a two-GPU split and oneMath (cuBLAS) / joint_matrix. These logs alone do not establish the cause of the slowdown. No engine changes.

Validation: all 68 turns completed; maximum GPU core temperature 52 C. Markdown, offline links, spelling, secret scan and whitespace checks passed for added report files. Repository-wide REUSE still reports pre-existing missing notices in docs/BATCHING.ja.md, BENCH.ja.md, DETAILS.ja.md, MULTIGPU.ja.md, ORCA.ja.md and XE.ja.md; new files are covered. Production services restored.

[MistVVK]

ありがとうございます。

マルチGPU関係は雑に作っただけなので遅いと思います。
おまけにVoltaの特徴的な欠け方（DP4aがない）というのも対応を難しくしてます。

これからリモートマルチGPU対策をしようかなと思っているので、今後ともどうかよろしくお願いします。

P.S.
推測で書いたVoltaコードが合っているかのチェック目的に1GPUのスコアのほうが知りたいです。

[koshikawa-masato]

ご依頼のV100 1枚のスコアを、このPRに追加しました。

GPU0（PCIeが速い方）だけを使用し、150 W・IQ3_SでXeStrata xe0.1.40.2.2とStrata v0.1.42を同日に交互に各2回測定しています。公式の ab_usage / ab_generate を使いました。

測定	Strata v0.1.42	XeStrata xe0.1.40.2.2
日本語 decode	65.1 tok/s	64.9 tok/s
英語 decode	78.8 tok/s	76.6 tok/s
agent decode	77.5 tok/s	72.2 tok/s
日本語 TTFT	0.54 s	0.68 s
agent prefill	1,029 tok/s	937 tok/s
1K generate decode	78.9 tok/s	80.0 tok/s
1K generate prefill	693 tok/s	679 tok/s

1GPUでは日本語と短い固定入力のdecodeはかなり近い結果でした。会話は32K・1枠（前の2GPU測定は2枠）、実際の同時リクエストは1本です。本家のデフォルトのPCIe自動調整とroute tail skipは有効のままです。

Voltaコード確認の参考として、--spec-follow のargmax差も記録しています。XeStrataは2回とも7/256、通常版自身の追従は0/256でした。異なるエンジンと既定値なので、これだけで不具合や品質低下とは判断していません。

カーネル診断の生ログ、起動経路、ターン別記録も添付しました。既定のdense-bf16は約2,726 us、no-xmxは約22,512 usでした。経路ラベルはcuBLAS / joint_matrixと出ますが、命令レベルの検証ではありません。

日本語レポート / English report