大模型权重跨机搬运怎么开并行：8 路只给 2.68 倍，三个背锅侠全被排除
同一份 475.25GiB（48 个真实 safetensors 分片）在 200G 环网上搬全量：串行 0.9067 GB/s 耗时 562.82 秒，8 路并行 2.4328 GB/s 耗时 209.75 秒，加速比只有 2.68 倍，不是 8 倍。磁盘（8-10 GB/s）、每文件新建连接（1.00 倍）、open/close 开销（1.08 倍）三个最常被指认的瓶颈全部实测排除。给一次跑通的四步链路与该开几路的判定方法。
本地部署权重搬运并行200G环网rsync分片网络带宽部署前置远程传输这条适用于
- 源端与接收端各一台 DGX Spark（aarch64 / 122GB 统一内存 / 板载 NVMe），200G 环网直连
- 需 rsync 或等效并行传输工具
- 两端时钟可对齐（用于分两段启动传输服务）
版本指纹
GB10 驱动 580.178.04 / CUDA 13.0 / Ubuntu 24.04.5 / Python 3.11 threading 服务端
具体做法
实测环境：源端 DGX Spark #1（DGX Spark 节点 1，aarch64 20 核 / 122GB / GB10 / 板载 NVMe 3.7T）作源端，
接收端 DGX Spark #2（同配置）作接收端，走 200G 环网两机直连。
数据源生产权重目录，48 个 safetensors，合计 510,296,708,312 B = 475.25 GiB，
最小 970,533,624 B，最大 101,537,926,640 B。服务端每连接一线程（规避 11-05 串行 accept 假值），
缓冲区在计时区间外分配，聚合带宽必须大于等于任一单流才计入。【四场景全量搬运】
A 单文件 101.5GB T=1：0.9061 GB/s（7.25 Gbps），112.0585 秒
B 48 分片串行，每文件新建连接：0.9067 GB/s（7.25 Gbps），562.8167 秒 = 9.4 分钟
C 48 分片 8 路并行：2.4328 GB/s（19.46 Gbps），209.7528 秒 = 3.5 分钟，加速比 2.68 倍
D 最小分片 970MB T=1：0.7580 GB/s（6.06 Gbps），1.2805 秒
逐文件耗时 min 1.18008 秒 / 中位 8.14392 秒 / max 114.8210 秒（n=48）。【磁盘对照（O_DIRECT 绕缓存，16MB 块，缓冲区在计时外）】
单文件 512MB：8.2026 GB/s（65.62 Gbps）；8 文件并行各 512MB：7.9926 GB/s（per_stream max 1.4074）
长跑 单文件 8GB：9.269 GB/s；长跑 8 文件各 2GB：10.0567 GB/s
48 分片各 64MB 每文件 open/close：9.3279 GB/s（7.194 毫秒/文件）；同总量单文件连续读：10.1109 GB/s
结论：盘比网络快 3.3 到 4 倍，磁盘不是瓶颈。
【连接复用 A/B（同 48 分片、同 8 线程，唯一变量是是否复用）】
V1 每文件新建：2.4843 GB/s（19.87 Gbps），205.4098 秒
V2 常驻复用：2.4923 GB/s（19.94 Gbps），204.7533 秒
比值 1.00 倍。原假设「每文件建连是瓶颈」被证伪。
【per-file 开销】48 次 open/close 9.3279 对单文件连续 10.1109，比值 1.08 倍，可忽略。
串行实测 562.8167 秒，按单流速率理论应有 563.18 秒，差 0.1%。
【折算 3317.38 GiB / 208 分片】
200G 环网 8 路 0.41 小时（24.2 分钟）；200G 单流 1.09 小时（65.5 分钟）；
1G 管理网 8.46 小时；NAS/SMB 约 9.9 小时。最快与最慢差 21 倍。
8 路只拿到 2.68 倍的根因本轮未定位：已排除磁盘（富余 4 倍）、每文件建连（1.00 倍）、open/close（1.08 倍），剩余疑点指向服务端单进程 Python threading 加 sendall 受 GIL 限制，但没做多进程或多机服务端对照，所以不能下「根因就是 GIL」的结论。另：只测了 源端 DGX Spark #1 到 接收端 DGX Spark #2 一条边，环上另三条边未测；对角线 源端 DGX Spark #1 到 DGX Spark #4 仍不通（走默认网关）；接收端 recv 后即丢，未测边搬边写盘，端到端会明显更慢。