крошечный GGUF-бенчмарк для замера скорости llama.cpp
schedule 2 мин чтенияобновлено
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, контекст n_ctx=1024 и 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_XS и др., кроме неподдерживаемого Q1_0) весом около 25–33 КБ.
Совместимость с CUDA: размерность d_model=32 выбрана специально кратной 32, чтобы избежать ошибок в CUDA-ядре RMSNorm сборки ik_llama.cpp.
Что можно сделать
Измерить потолок скорости (tok/s): проверить чистую пропускную способность декодирования в llama-cli или llama-server без влияния размеров реальной модели.
Сравнить сборки и режимы запуска: протестировать разницу между обычным llama.cpp и форком ik_llama.cpp, а также оценить влияние флагов вроде -t 1 и -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
ПодробнееЗамеры 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.
Совет: берите 8-bit.GGUF Q8_0 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# puyokura/ToKpS-23.9K — A30, GGUF Q8_0
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -fsSL https://ollama.com/install.sh | sh
ollama run hf.co/puyokura/ToKpS-23.9K:Q8_0
Комментарии