Бенчмарки LLM с 16 ГБ видеопамяти с использованием llama.cpp (скорость и контекст)

В этом посте я сравниваю скорость работы нескольких больших языковых моделей (LLM) на GPU с 16 ГБ видеопамяти (VRAM) и выбираю лучшую для самостоятельного хостинга.

Я запускал эти LLM через llama.cpp с размерами контекстного окна 19K, 32K и 64K токенов.

Стилизованный GPU с блоками VRAM и диаграммами в стиле бенчмарков

В этом посте я фиксирую свои попытки выжать максимальную производительность в плане скорости.

Таблица сравнения скорости LLM (токенов в секунду и VRAM)

Модель	Размер	19K VRAM	19K GPU/CPU	19K Т/с	32K VRAM	32K Нагрузка	32K Т/с	64K VRAM	64K Нагрузка	64K: Т/с
Qwen3.6-35B-A3B-UD-IQ3_XXS	13.2	13.8 ГБ	96%/100%	147.5	14.0 ГБ	96%/101%	149.1	14.7 ГБ	96%/101%	145.8
Qwen3.6-35B-A3B-UD-IQ4_XS	17.7	14.3 ГБ	62%/266%	95.0	14.9 ГБ	58%/279%	92.3	14.9 ГБ	57%/293%	86.4
Qwen3.5-35B-A3B-UD-IQ3_S	13.6	14.3 ГБ	93%/100%	136.4	14.6 ГБ	93%/100%	138.5	14.9 ГБ	88%/115%	136.8
Qwen3.5-27B-IQ3_XXS-bartowsky	11.3	12.8	98/100	44.9	13.5	98/100	44.9	14.5	45/415	23.6
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
Qwen3.5-27B-IQ4_XS.gguf	15.0	14.6	49/406	20.5	14.7	37/465	17.4	14.7	23/533	13.3
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
Qwen3.5-122B-A10B-UD-IQ3_S	46.5	14.7	25/516	19.4	14.7	24/516	19.5	14.7	24/516	19.6
Mistral-Small-4-119B UD-IQ3_XXS	42.8	14.8	28/585	30.4	14.7	27/574	28.5	14.9	20/590	31.5
Qwen3-Coder-Next-UD-IQ4_XS	38.4	14.6	32/460	41.1	14.7	29/440	41.3	14.8	32/460	38.3
Nemotron Super 120b IQ3_XXS	56.2	15.0	26/517	17.5	14.6	26/531	17.4	14.6	26/535	17.6
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 и 64K — это размеры контекста.

load (нагрузка) выше — это GPU Load (нагрузка на GPU). Если вы видите низкое число в этом столбце, это означает, что модель работает преимущественно на CPU и не может обеспечить достойную скорость на этом оборудовании. Эта картина соответствует тому, что люди наблюдают, когда слишком малая часть модели помещается в GPU или когда контекст переносит работу обратно на процессор.

О llama.cpp, производительности LLM, OpenCode и других сравнениях

Если вам нужны пути установки, примеры llama-cli и llama-server, а также флаги, влияющие на VRAM и токены в секунду (размер контекста, батчинг, -ngl), начните с Быстрый старт llama.cpp с CLI и Server.

Для более широкой картины производительности (пропускная способность против задержки, лимиты VRAM, параллельные запросы и то, как бенчмарки соотносятся между оборудованием и средами выполнения), см. Производительность LLM в 2026 году: Бенчмарки, Узкие места и Оптимизация.

Качество ответов анализируется в других статьях, например:

• Лучшие LLM для OpenCode — Тестирование локально. Вы можете узнать больше об OpenCode в Быстрый старт OpenCode: Установка, Настройка и Использование Терминального AI Агента для Кодирования
• Сравнение качества перевода страниц Hugo — LLM на Ollama

Я также провел аналогичные тесты для LLM на Ollama: Лучшие LLM для Ollama на GPU с 16GB VRAM.

Если вы запускаете Qwen 3.6 27B или 35B через llama.cpp и хотите дальше ускорить генерацию, см. Qwen 3.6 MTP vs Стандартное декодирование на GPU 16GB — спекулятивное декодирование MTP добавляет до 67% пропускной способности генерации для плотной модели 27B, с таблицами, показывающими стоимость VRAM и компромисс окна контекста на каждом уровне --spec-draft-n-max.

Почему длина контекста меняет количество токенов в секунду

При переходе от 19K к 32K или 64K токенам кэш KV растет, и давление на VRAM увеличивается. В некоторых строках наблюдается значительное падение количества токенов в секунду при 64K, в то время как другие остаются стабильными, что служит сигналом к пересмотру квантования, лимитов контекста или разгрузки слоев, а не к предположению, что модель «медленная» в целом.

Модели и квантования, которые я выбрал для тестирования, — это те, что я запускаю сам, чтобы увидеть, дают ли они хороший прирост в смысле соотношения цена/качество на этом оборудовании или нет. Поэтому здесь нет q8 квантований с контекстом 200k :) …

GPU/CPU — это нагрузка, измеряемая nvitop.

llama.cpp, автоматически настраивая разгрузку слоев на GPU, пытается оставить 1 ГБ свободными. Мы можем указать этот параметр вручную через параметр командной строки -ngl, но здесь я не делаю тонкую настройку, просто хочу понять, что если при увеличении размера контекстного окна с 32k до 64k происходит значительное падение производительности, мы можем попробовать увеличить скорость на 64k путем тонкой настройки количества разгруженных слоев.

Тестовое оборудование и настройка llama.cpp

Я тестировал скорость LLM на ПК с такой конфигурацией:

• CPU i-14700
• RAM 64GB 6000Hz (2x32GB)
• GPU RTX-4080
• Ubuntu с драйверами NVidia
• llama.cpp/llama-cli, без указания разгруженных слоев
• Начальное использование VRAM до запуска llama-cli: 300MB

Дополнительные прогоны с контекстом 128K (Qwen3.5 27B и 122B)

Модель	128K Нагрузка	128K: Т/с
Qwen3.5-27B-UD-IQ3_XXS	16/625	9.6
Qwen3.5-122B-A10B-UD-IQ3_XXS	27/496	19.2

Прогоны с тонкой настройкой

Для некоторых интересных моделей и квантований я попытался найти специальные параметры командной строки llama-cpp, чтобы лучше использовать VRAM. Вот чего мне удалось достичь:

Модель	Контекст	Слои на GPU	Нагрузка CPU/CPU	Скорость
Qwen3.5-27B-IQ4_XS.gguf	18k	65	98%/100%	38.0
Qwen3.5-27B-IQ4_XS.gguf	64k	53	33%/488%	15.7

Выводы для сборок с 16 ГБ VRAM

• Мой текущий фаворит Qwen3.5-27B-UD-IQ3_XXS выглядит хорошо в своей оптимальной точке контекста 50k (я получаю примерно 36 т/с)
• Qwen3.5-122B-A10B-UD-IQ3_XXS превосходит по производительности Qwen3.5 27B на контекстах выше 64K.
• Я могу заставить Qwen3.5-35B-A3B-UD-IQ3_S обрабатывать контекст в 100k токенов, и он помещается в VRAM, поэтому падения производительности нет
• Я не буду использовать gemma-4-31B на 16GB VRAM, но gemma-4-26B может быть… средне-хорошо…, нужно протестировать.
• Нужно протестировать, насколько хорошо работают Nemotron cascade 2 и GLM-4.7 Flash REAP 23B. Будут ли они лучше, чем Qwen3.5-35B q3? Я сомневаюсь, но все же, возможно, протестирую, чтобы подтвердить подозрение.