Compare commits
4 Commits
a0713b260b
...
bazzite
| Author | SHA1 | Date | |
|---|---|---|---|
| b14fc46642 | |||
| ed5a4fdbbc | |||
| 99bd39b47a | |||
| 2b5977b605 |
@@ -1,10 +1,10 @@
|
|||||||
MODEL_FILE=Qwen3.6-35B-A3B-MXFP4_MOE.gguf
|
MODEL_FILE=Qwen3.6-35B-A3B-MTP-MXFP4_MOE.gguf
|
||||||
# Для -1 в .env лучше кавычки — иначе часть парсеров .env ломается на ведущем минусе.
|
# Для -1 в .env лучше кавычки — иначе часть парсеров .env ломается на ведущем минусе.
|
||||||
N_GPU_LAYERS="-1"
|
N_GPU_LAYERS="99"
|
||||||
|
|
||||||
# Доп. ключи docker-compose (опционально; дефолты заданы в compose)
|
# Доп. ключи docker-compose (опционально; дефолты заданы в compose)
|
||||||
CTX_SIZE=65536
|
CTX_SIZE=170000
|
||||||
THREADS=8
|
THREADS=12
|
||||||
CACHE_TYPE_K=q8_0
|
CACHE_TYPE_K=q8_0
|
||||||
CACHE_TYPE_V=q8_0
|
CACHE_TYPE_V=q8_0
|
||||||
|
|
||||||
|
|||||||
@@ -0,0 +1,25 @@
|
|||||||
|
[Unit]
|
||||||
|
Description=llama-server (local-llama)
|
||||||
|
After=network.target
|
||||||
|
|
||||||
|
[Service]
|
||||||
|
Type=simple
|
||||||
|
User=bazzite
|
||||||
|
Group=bazzite
|
||||||
|
WorkingDirectory=/home/bazzite/llama-space
|
||||||
|
EnvironmentFile=/home/bazzite/llama-space/.env
|
||||||
|
ExecStart=/home/bazzite/llama-space/local-llama.sh
|
||||||
|
Restart=on-failure
|
||||||
|
RestartSec=5
|
||||||
|
|
||||||
|
# CPU pinning: taskset -c 0-11
|
||||||
|
CPUAffinity=0-11
|
||||||
|
|
||||||
|
# ulimit -l unlimited → lock memory (mlockall / MADV_POPULATE_READ + mlock)
|
||||||
|
LimitMEMLOCK=infinity
|
||||||
|
|
||||||
|
# Не убивать OOM killer — модель критична
|
||||||
|
OOMScoreAdjust=-900
|
||||||
|
|
||||||
|
[Install]
|
||||||
|
WantedBy=multi-user.target
|
||||||
Executable
+13
@@ -0,0 +1,13 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
|
||||||
|
export PATH=/usr/local/cuda-13.3/bin${PATH:+:${PATH}}
|
||||||
|
export LD_LIBRARY_PATH=/usr/local/cuda-13.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
|
||||||
|
|
||||||
|
set -euo pipefail
|
||||||
|
|
||||||
|
DIR="$(cd "$(dirname "$0")" && pwd)"
|
||||||
|
|
||||||
|
/home/bazzite/Документы/llama-cpp-turboquant/build/bin/llama-server \
|
||||||
|
--models-preset "${DIR}/models.ini" \
|
||||||
|
--models-dir "${DIR}/models" \
|
||||||
|
-np 1
|
||||||
+24
@@ -0,0 +1,24 @@
|
|||||||
|
[DEFAULT]
|
||||||
|
host = 0.0.0.0
|
||||||
|
port = 8080
|
||||||
|
flash-attn = on
|
||||||
|
chat-template = jinja
|
||||||
|
reasoning = on
|
||||||
|
reasoning-budget = -1
|
||||||
|
cache-type-k = turbo4
|
||||||
|
cache-type-v = turbo3
|
||||||
|
no-mmap = true
|
||||||
|
mlock = true
|
||||||
|
ctx-checkpoints = true
|
||||||
|
cache-ram = -1
|
||||||
|
batch-size = 2048
|
||||||
|
ubatch-size = 2048
|
||||||
|
|
||||||
|
[Qwen3.6-35B]
|
||||||
|
model = models/Qwen3.6-35B-A3B-MTP-MXFP4_MOE.gguf
|
||||||
|
n-gpu-layers = 99
|
||||||
|
n-cpu-moe = 29
|
||||||
|
ctx-size = 170000
|
||||||
|
threads = 12
|
||||||
|
spec-type = draft-mtp
|
||||||
|
spec-draft-n-max = 2
|
||||||
+5
-2
@@ -30,7 +30,7 @@ fi
|
|||||||
: "${CACHE_TYPE_K:=q8_0}"
|
: "${CACHE_TYPE_K:=q8_0}"
|
||||||
: "${CACHE_TYPE_V:=turbo2}"
|
: "${CACHE_TYPE_V:=turbo2}"
|
||||||
: "${THREADS:=8}"
|
: "${THREADS:=8}"
|
||||||
: "${IMAGE:=ghcr.io/ggml-org/llama.cpp:server-cuda}"
|
: "${IMAGE:=ghcr.io/ggml-org/llama.cpp:server-cuda13}"
|
||||||
: "${BIND_HOST:=0.0.0.0}"
|
: "${BIND_HOST:=0.0.0.0}"
|
||||||
|
|
||||||
# Разбить по пробелам для podman (пусто = только CDI-устройство).
|
# Разбить по пробелам для podman (пусто = только CDI-устройство).
|
||||||
@@ -42,6 +42,7 @@ podman run -d \
|
|||||||
--replace \
|
--replace \
|
||||||
--restart no \
|
--restart no \
|
||||||
--shm-size 1g \
|
--shm-size 1g \
|
||||||
|
--cpuset-cpus="0-11" \
|
||||||
--ulimit memlock=-1:-1 \
|
--ulimit memlock=-1:-1 \
|
||||||
-p "${BIND_HOST}:${PORT}:8080" \
|
-p "${BIND_HOST}:${PORT}:8080" \
|
||||||
-v "${ROOT}/models:/models:ro" \
|
-v "${ROOT}/models:/models:ro" \
|
||||||
@@ -52,7 +53,9 @@ podman run -d \
|
|||||||
-m "/models/${MODEL_FILE}" \
|
-m "/models/${MODEL_FILE}" \
|
||||||
--host 0.0.0.0 \
|
--host 0.0.0.0 \
|
||||||
--port 8080 \
|
--port 8080 \
|
||||||
|
-ngl "${N_GPU_LAYERS}" \
|
||||||
--n-cpu-moe "${N_CPU_MOE}" \
|
--n-cpu-moe "${N_CPU_MOE}" \
|
||||||
|
--spec-type draft-mtp --spec-draft-n-max 3 \
|
||||||
-c "${CTX_SIZE}" \
|
-c "${CTX_SIZE}" \
|
||||||
-np 1 \
|
-np 1 \
|
||||||
-fa on \
|
-fa on \
|
||||||
@@ -61,7 +64,7 @@ podman run -d \
|
|||||||
--no-mmap \
|
--no-mmap \
|
||||||
--mlock \
|
--mlock \
|
||||||
--ctx-checkpoints 1 \
|
--ctx-checkpoints 1 \
|
||||||
--cache-ram 0 \
|
--cache-ram -1 \
|
||||||
--jinja \
|
--jinja \
|
||||||
--reasoning on \
|
--reasoning on \
|
||||||
--reasoning-budget -1 \
|
--reasoning-budget -1 \
|
||||||
|
|||||||
Reference in New Issue
Block a user