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 des tokens. Vous pouvez tenter d’augmenter le nombre de couches déchargées sur le GPU via le paramètre ngl, choisir une quantification plus légère, ou réduire la longueur du contexte afin qu’une plus grande partie du modèle puisse être chargée sur le GPU.

Comment une fenêtre de contexte plus longue affecte-t-elle le nombre de tokens 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 entraîner un déchargement partiel. Un contexte plus court, des modèles plus petits ou une quantification plus agressive aident à maintenir la vitesse sur une seule 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 nombre de tokens par seconde, mais elles peuvent nuire à la qualité. Les quantifications de type IQ3 et IQ4 sont des compromis courants pour llama.cpp sur une GPU de 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 en tokens par seconde car seule une partie du réseau s’exécute à chaque étape de propagation avant, mais il reste nécessaire de disposer d’une VRAM suffisante pour les experts actifs, les poids et le cache KV à la longueur de contexte choisie.

Que pouvez-vous tenter si un contexte de 64K est beaucoup 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 correspond à votre tâche, ou passez à une quantification plus légère afin que davantage de couches restent sur le dispositif et que la pression sur le cache KV diminue.

Benchmarks LLM avec 16 Go de VRAM utilisant 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 tournant sur un GPU avec 16 Go de VRAM, et je choisis le meilleur pour l’auto-hébergement.

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

GPU stylisé avec des blocs VRAM et des graphiques de type 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	14.3 Go	93%/100%	136.4	14.6 Go	93%/100%	138.5	14.9 Go	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
Qwen3.5-27B-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
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 sont les tailles de contexte.

La charge ci-dessus est une Charge GPU. Si vous voyez un nombre faible dans cette colonne, cela signifie que le modèle s’exécute principalement sur le CPU et ne peut pas obtenir une vitesse décente sur ce matériel. Ce schéma correspond à ce que les gens observent lorsque trop peu du modèle tient sur le GPU ou lorsque le contexte repousse le travail 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 importants pour la VRAM et les tokens par seconde (taille de contexte, batch, -ngl), commencez par llama.cpp Quickstart avec CLI et Server.

Pour une vue d’ensemble plus large des performances (débit par rapport à la latence, limites de VRAM, requêtes parallèles et comment les benchmarks s’articulent entre le matériel et les environnements d’exécution), consultez Performances des LLM en 2026 : Benchmarks, Goulottes et Optimisation.

La qualité de la réponse est analysée dans d’autres articles, par exemple :

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

J’ai également effectué 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 grandit et la pression sur la VRAM augmente. Certaines lignes montrent une forte baisse des tokens par seconde à 64K tandis que d’autres restent stables, ce qui est le signal pour réviser les quantifications, les limites de contexte ou l’offloading de couches plutôt que de supposer que le modèle est « lent » en général.

Les modèles et quantifications que j’ai choisis pour tester sont destinés à être exécutés par moi-même afin de voir s’ils offrent un bon gain en termes de rapport coût/bénéfice sur cet équipement ou non. Donc, pas de quantifications q8 ici avec un contexte de 200k :) …

GPU/CPU est une charge, mesurée par nvitop.

Lorsque llama.cpp configure automatiquement les couches pour les décharger vers le 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 ajustant le nombre de couches déchargées.

Matériel de test et configuration llama.cpp

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

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

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

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

Lancers avec réglage fin (Finetuned Runs)

Pour certains modèles et quantifications intéressants, j’ai essayé de trouver des paramètres de ligne de commande llama-cpp spécifiques pour mieux utiliser la VRAM. Voici ce que j’ai pu obtenir :

Modèle	Contexte	Couches sur GPU	Charge CPU/CPU	Vitesse
Qwen3.5-27B-IQ4_XS.gguf	18k	65	98%/100%	38.0
Qwen3.5-27B-IQ4_XS.gguf	64k	53	33%/488%	15.7

Principales conclusions pour les builds 16 Go VRAM

Mon favori actuel Qwen3.5-27B-UD-IQ3_XXS se comporte bien sur son point optimal de contexte 50k (je obtiens environ 36t/s)
Qwen3.5-122B-A10B-UD-IQ3_XXS dépasse en termes de performances le Qwen3.5 27B sur les contextes supérieurs à 64K.
Je peux pousser Qwen3.5-35B-A3B-UD-IQ3_S à gérer un contexte de 100k tokens, et il tient dans la VRAM, donc pas de baisse 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 tout de même tester pour confirmer le soupçon.