Que signifie une faible charge du GPU lors de l’exécution d’un LLM avec llama.cpp ?

Cela signifie souvent que de nombreuses couches restent sur le CPU, ce qui entraîne une chute brutale de la vitesse de génération de jetons. Vous pouvez tenter d’augmenter le nombre de couches transférées sur le GPU via le paramètre ngl, choisir une quantification plus légère ou réduire la longueur du contexte afin que davantage du modèle puisse être chargé sur le GPU.

Comment une fenêtre de contexte plus longue affecte-t-elle le nombre de jetons par seconde sur une VRAM de 16 Go ?

Un contexte plus long augmente la taille du cache KV et la consommation de VRAM, ce qui peut réduire le débit de tokens par seconde ou obliger un déchargement partiel. Un contexte plus court, des modèles plus petits ou des quantifications plus agressives aident à maintenir la vitesse sur une carte de 16 Go.

Quels compromis de quantification sont essentiels pour faire tenir de grands modèles dans 16 Go ?

Les quantifications à faible nombre de bits consomment moins de VRAM et peuvent augmenter le débit de tokens par seconde, mais peuvent nuire à la qualité. Les quantifications de type IQ3 et IQ4 sont des compromis courants pour llama.cpp sur un GPU 16 Go lorsque vous avez besoin d’un contexte long ou de checkpoints plus volumineux.

Les modèles à mélange d’experts peuvent-ils être rapides sur une seule GPU de 16 Go ?

Les modèles MoE peuvent atteindre un débit élevé de tokens par seconde car seule une partie du réseau s’exécute à chaque étape d’inférence, mais vous devez toujours disposer de suffisamment de VRAM pour les experts actifs, les poids et la cache KV à votre longueur de contexte choisie.

Que pouvez-vous essayer si un contexte de 64K est nettement plus lent qu’un contexte de 32K sur le même GPU ?

Ajustez le nombre de couches chargées sur le GPU avec ngl, acceptez un contexte plus court si cela convient à votre tâche, ou passez à une quantification plus légère pour que plus de couches restent sur le périphérique et que la pression du cache KV diminue.

Benchmarks de LLM avec 16 Go de VRAM et llama.cpp (vitesse et contexte)

Vitesse de génération de tokens de llama.cpp sur 16 Go de VRAM (tableaux).

Sommaire

Voici, je compare la vitesse de plusieurs LLM (modèles de langage de grande taille) exécutés sur une GPU avec 16 Go de VRAM, et je choisis le meilleur pour l’auto-hébergement.

J’ai exécuté ces LLM avec llama.cpp en utilisant des fenêtres de contexte de 19K, 32K et 64K tokens.

GPU stylisé avec blocs VRAM et graphiques de style benchmark

Dans cet article, je consigne mes tentatives pour extraire le maximum de performances en termes de vitesse.

Tableau comparatif de la vitesse des LLM (tokens par seconde et VRAM)

Modèle	Taille	19K VRAM	19K GPU/CPU	19K T/s	32K VRAM	32K Charge	32K T/s	64K VRAM	64K Charge	64K: T/s
Qwen3.5-35B-A3B-UD-IQ3_S	13.6	14.3GB	93%/100%	136.4	14.6GB	93%/100%	138.5	14.9GB	88%/115%	136.8
Qwen3.5-27B-UD-IQ3_XXS	11.5	12.9	98/100	45.3	13.7	98/100	45.1	14.7	45/410	22.7
Qwen3.5-122B-A10B-UD-IQ3_XXS	44.7	14.7	30/470	22.3	14.7	30/480	21.8	14.7	28/490	21.5
nvidia Nemotron-Cascade-2-30B IQ4_XS	18.2	14.6	60/305	115.8	14.7	57/311	113.6	14.7	55/324	103.4
gemma-4-26B-A4B-it-UD-IQ4_XS	13.4	14.7	95/100	121.7	14.9	95/115	114.9	14.9	75/190	96.1
gemma-4-31B-it-UD-IQ3_XXS	11.8	14.8	68/287	29.2	14.8	41/480	18.4	14.8	18/634	8.1
GLM-4.7-Flash-IQ4_XS	16.3	15.0	66/240	91.8	14.9	62/262	86.1	14.9	53/313	72.5
GLM-4.7-Flash-REAP-23B IQ4_XS	12.6	13.7	92/100	122.0	14.4	95/102	123.2	14.9	71/196	97.1

19K, 32K et 64K désignent les tailles de contexte.

La charge indiquée ci-dessus correspond à la Charge GPU. Si vous voyez un chiffre bas dans cette colonne, cela signifie que le modèle s’exécute principalement sur le CPU et ne peut atteindre une vitesse correcte sur ce matériel. Ce schéma correspond à ce que les utilisateurs observent lorsque trop peu du modèle tient sur la GPU ou lorsque le contexte pousse le traitement vers l’hôte.

À propos de llama.cpp, des performances des LLM, d’OpenCode et d’autres comparaisons

Si vous souhaitez connaître les chemins d’installation, des exemples pour llama-cli et llama-server, ainsi que les drapeaux (flags) importants pour la VRAM et les tokens par seconde (taille du contexte, batching, -ngl), commencez par llama.cpp Quickstart avec CLI et Server.

Pour une vue d’ensemble plus large sur les performances (débit vs latence, limites VRAM, requêtes parallèles et comment les benchmarks s’articulent selon le matériel et les environnements d’exécution), consultez Performances des LLM en 2026 : Benchmarks, Goulots d’étranglement et Optimisation.

La qualité des réponses est analysée dans d’autres articles, par exemple :

Meilleurs LLM pour OpenCode - Testés localement. Vous pouvez en savoir plus sur Opencode dans OpenCode Quickstart : Installation, Configuration et Utilisation de l’Agent de Codage IA Terminal.
Comparaison de la qualité de traduction de page Hugo - LLM sur Ollama.

J’ai également réalisé des tests similaires pour les LLM sur Ollama : Meilleurs LLM pour Ollama sur GPU 16 Go VRAM.

Pourquoi la longueur du contexte change les tokens par seconde

Lorsque vous passez de 19K à 32K ou 64K tokens, le cache KV s’agrandit et la pression sur la VRAM augmente. Certaines lignes montrent une chute importante des tokens par seconde à 64K tandis que d’autres restent stables ; c’est le signal qu’il faut reconsidérer les quantifications, les limites de contexte ou la décharge des couches, plutôt que de supposer que le modèle est « lent » en général.

Les modèles et quantifications que j’ai choisis pour tester sont ceux que je fais tourner moi-même, afin de vérifier s’ils offrent un bon gain en termes de coût/bénéfice sur cet équipement ou non. Donc pas de quantifications q8 ici avec 200k de contexte :) …

GPU/CPU est une charge, mesurée par nvitop.

Lorsque llama.cpp configure automatiquement la décharge des couches vers la GPU, il essaie de garder 1 Go libre. Nous spécifions manuellement ce paramètre via le paramètre de ligne de commande -ngl, mais je ne le régle pas finement ici ; il suffit de comprendre que s’il y a une baisse significative des performances lors de l’augmentation de la taille de la fenêtre de contexte de 32k à 64k, nous pouvons essayer d’augmenter la vitesse à 64k en affinant le nombre de couches déchargées.

Matériel de test et configuration de llama.cpp

J’ai testé la vitesse des LLM sur un PC avec cette configuration :

CPU i-14700
RAM 64 Go 6000 Hz (2x32 Go)
GPU RTX-4080
Ubuntu avec pilotes Nvidia
llama.cpp/llama-cli, aucune couche déchargée spécifiée
VRAM utilisée initialement, avant le démarrage de llama-cli : 300 Mo

Tests supplémentaires à 128K de contexte (Qwen3.5 27B et 122B)

Modèle	128K Charge	128K: T/s
Qwen3.5-27B-UD-IQ3_XXS	16/625	9.6
Qwen3.5-122B-A10B-UD-IQ3_XXS	27/496	19.2

Points clés pour les configurations 16 Go VRAM

Mon favori actuel, Qwen3.5-27B-UD-IQ3_XXS, semble excellent sur son point optimal de contexte 50k (je peux atteindre environ 36 t/s).
Qwen3.5-122B-A10B-UD-IQ3_XXS dépasse les performances de Qwen3.5 27B sur les contextes supérieurs à 64K.
Je peux pousser Qwen3.5-35B-A3B-UD-IQ3_S pour gérer un contexte de 100k tokens, et il tient dans la VRAM, donc aucune perte de performance.
Je n’utiliserai pas gemma-4-31B sur 16 Go VRAM, mais gemma-4-26B pourrait être moyen-bien…, il faut tester.
Il faut tester à quel point Nemotron cascade 2 et GLM-4.7 Flash REAP 23B fonctionnent. Seront-ils meilleurs que Qwen3.5-35B q3 ? J’en doute, mais je vais quand même tester pour confirmer ce soupçon.