Qwen3-4B-Instruct-2507-GGUF:F16 на RTX 5060 Ti 16Gb ×2
Llama.cpp 7973 · ctx 40k · 20 парал. · 09.02.2026
подбор ключей
Модель
unsloth/Qwen3-4B-Instruct-2507-GGUF:F16
Связка карт
RTX 5060 Ti 16Gb ×2
Движок
Llama.cpp 7973
Контекст
40960 токенов
Параллельных
20
Карт занято
2
Слои на CPU
нет, всё в VRAM
Квантование
—
Сборка движка
—
Дата замера
09.02.2026
Пропускная без SO
156.4 ток/сек
Пропускная с SO
166.5 ток/сек
Последовательная без SO
48.3 ток/сек
Последовательная с SO
47.7 ток/сек
Параллельная без SO
29.1 ток/сек
Параллельная с SO
29.3 ток/сек
Команда запуска
CUDA_VISIBLE_DEVICES=0,1 ./build/bin/llama-server -hf unsloth/Qwen3-4B-Instruct-2507-GGUF:F16 --host 0.0.0.0 --port 8080 --threads 4 --parallel 20 --ctx-size 40960 -b 16384 -ub 2048 -ngl 999 -sm layer
Ключи подбора
--threads 4 --batch 16384 --ubatch 2048 --split-mode layer Слой нагрузки — контекст, число параллельных запросов, занятые карты и выгрузка на процессор — задаёт сам замер, поэтому такие прогоны стоят в таблице отдельными строками. Слой подбора настраивает то же задание и сворачивается в варианты одной строки. Как это устроено.