ToKpS-23.9K
крошечный GGUF-бенчмарк для замера скорости llama.cpp
2 min readupdated
Эта сверхлёгкая модель-обманка (всего 23 904 параметра) создана не для диалогов, а чтобы бесконечно печатать слово toks с максимальной скоростью, на которую способен ваш движок. Трансформер в ней нужен лишь как декорация для корректной работы графа вычислений в llama.cpp, тогда как веса жёстко зафиксированы на выдачу одного токена. В отличие от обычных LLM (больших языковых моделей), здесь нет затрат на сложную семантику и выборку — это чистый стресс-тест накладных расходов движка, процессора или видеокарты. Пригодится разработчикам и энтузиастам локального запуска нейросетей для сравнения сборок llama.cpp и ik_llama.cpp.
Ключевые особенности
- Минималистичная архитектура: 1 блок трансформера,
d_model=32,n_ff=32, 1 голова внимания, контекстn_ctx=1024и словарь из 256 байтовых токенов (принимает любой UTF-8 ввод). - Жёстко заданные веса: матрицы внимания и FFN заполнены нулями, а логит целевого токена превышает остальные на 256 пунктов, поэтому сэмплинг (temperature, top-k, top-p) и EOS-токен никогда не прервут генерацию раньше лимита.
- Полный набор квантов: в репозитории 33 проверенных GGUF-файла во всех форматах квантования (
Q8_0,Q4_K_M,IQ4_XSи др., кроме неподдерживаемогоQ1_0) весом около 25–33 КБ. - Совместимость с CUDA: размерность
d_model=32выбрана специально кратной 32, чтобы избежать ошибок в CUDA-ядре RMSNorm сборкиik_llama.cpp.
Что можно сделать
- Измерить потолок скорости (tok/s): проверить чистую пропускную способность декодирования в
llama-cliилиllama-serverбез влияния размеров реальной модели. - Сравнить сборки и режимы запуска: протестировать разницу между обычным
llama.cppи форкомik_llama.cpp, а также оценить влияние флагов вроде-t 1и-fa off. - Собрать свой кастомный тест: с помощью скриптов автора можно пересобрать модель под любое другое выходное слово или изменить имя в метаданных GGUF.
Пример
llama-cli -m ToKpS-23.9K-Q8_0.gguf -p hi -n 20000 -st --no-warmup --perf -t 1 -fa off \
--samplers temperature --temp 0
Подробнее
Замеры автора (Ryzen 7 5700X, RTX 5060 Ti 8 ГБ, 20 000 токенов): ik_llama.cpp CPU — 12 686 tok/s, mainline llama.cpp CPU — 8 220 tok/s, CUDA — 2 850–3 470 tok/s.На GPU скорость ниже, так как на графе в 24K параметров доминируют накладные расходы на запуск и синхронизацию ядер; разброс между прогонами достигает ±20%.
Шаблон чата (chat template) намеренно отсутствует — запускать нужно через эндпоинт
/completions или флаг -p в CLI.









Comments