К содержимому
Языковые модели

ToKpS-23.9K

крошечный GGUF-бенчмарк для замера скорости llama.cpp

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.
Обсудить Telegram 4 622

Запустится ли?

Запустится в GGUF F32

Влезает самая точная из готовых сжатых версий.

  • GGUF F32веса 0.0 GB · готовые файлы0.6 GB
  • GGUF BF16веса 0.0 GB · готовые файлы0.6 GB
  • GGUFвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF F16веса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q6_Kвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q8_0рекомендуемвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q5_K_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q5_1веса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q5_K_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q4_K_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q4_K_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q5_0веса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q2_0веса 0.0 GB · готовые файлы0.6 GB
  • GGUF TQ1_0веса 0.0 GB · готовые файлы0.6 GB
  • GGUF TQ2_0веса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q4_1веса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q3_K_Lвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q3_K_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ3_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ1_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ1_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ2_Mвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ2_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ2_XSвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ2_XXSвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ3_XSвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ3_XXSвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ4_NLвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF IQ4_XSвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q2_Kвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q2_K_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q3_K_Sвеса 0.0 GB · готовые файлы0.6 GB
  • GGUF Q4_0веса 0.0 GB · готовые файлы0.6 GB

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.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF Q8_0 — от RTX 2060 · GGUF F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    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
    Добавить ещё LoRA к ToKpS-23.9K
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии ToKpS-23.9K — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

puyokura/ToKpS-23.9K
Автор
puyokura
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

6224

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Tars 0.5

Tars 0.5
Языковые модели

Сақ бол v3

Сақ бол v3