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.
Источник: habr.com