Существует много различных проектов и вариантов по ускорению генерации AI. Но в большинстве случаев они используют тюнинг модели, а так же использование внешней видео карты. Но можно ли ускорить генерацию модели, если у нас есть только процессор и ОЗУ?
Для тестирования использовалась модель Qwen3.8-Flash-Next Gyro GGUF
В данной оптимизации помог Opus, который несколько суток гонял тесты на моём железе и пытался оптимизировать код llama. К сожалению мою учётную запись заблокировали, и после верификации и апеляции, окончательно. Возможно ли такой же тюнинг и отладка с другими моделями AI?
Версия патча Opus | Промпт t/s | Генерация t/s | Сравнение с оригиналом |
|---|---|---|---|
fix23 | 10.98 / 10.05 | 2.41 / 2.38 | ×1.23 |
fix37 | 11.21 / 14.49 | 2.72 / 2.73 | ×1.40 |
original | 4.12 / 3.75 | 1.97 / 1.92 | — |
График снижения скорости генерации в зависимости от контекста.
Патчи и наработки здесь. Пишите в комментариях железо и насколько увеличивается у вас скорость генерации после применения патчей.
https://gitlab.com/agentionai-group/llama.cpp/-/merge_requests/1
Так же напишите, какая модель и из какого harness может так же долго работать как cloud code -заниматься такой сложной и низко-уровненовой работой на твоём личном железе.
