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

Здесь я сравниваю скорость нескольких больших языковых моделей (LLM), работающих на видеокарте с 16 ГБ видеопамяти, и выбираю лучшую для локального развертывания.

Я запускал эти LLM через llama.cpp с контекстными окнами размером 19K, 32K и 64K токенов.

В этой статье я фиксирую свои попытки выжать максимум производительности с точки зрения скорости.

Таблица сравнения скорости LLM (токенов в секунду и VRAM)

Модель	Размер	19K VRAM	19K GPU/CPU	19K T/s	32K VRAM	32K Загрузка	32K T/s	64K VRAM	64K Загрузка	64K: T/s
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
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.

Показатель load выше — это Загрузка GPU. Если вы видите низкое число в этой колонке, это означает, что модель работает преимущественно на CPU и не может обеспечить достойную скорость на этом оборудовании. Эта закономерность соответствует тому, что люди наблюдают, когда модель не полностью помещается в VRAM, либо когда контекст выталкивает вычисления обратно на хост.

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

Если вам нужны пути установки, примеры использования llama-cli и llama-server, а также флаги, влияющие на VRAM и скорость генерации токенов (размер контекста, батчинг, -ngl), начните с Быстрый старт llama.cpp с CLI и сервером.

Для более общей картины производительности (пропускная способность против задержки, ограничения VRAM, параллельные запросы и то, как бенчмарки соотносятся с разным 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 статье Быстрый старт OpenCode: установка, настройка и использование терминального AI-агента для кодинга.
• Сравнение качества перевода страниц Hugo — LLM на Ollama

Я также проводил аналогичные тесты для LLM на Ollama: Лучшие LLM для Ollama на GPU с 16 ГБ VRAM.

Почему длина контекста влияет на количество токенов в секунду

При переходе от 19K к 32K или 64K токенам кэш KV растет, а нагрузка на VRAM увеличивается. В некоторых строках наблюдается резкое падение скорости генерации токенов при 64K, в то время как в других она остается стабильной. Это сигнал о том, что нужно пересмотреть квантование, лимиты контекста или разгрузку слоев, вместо того чтобы полагать, что модель просто «медленная» в целом.

Модели и квантования, которые я выбрал для тестирования, предназначены для запуска мной лично, чтобы проверить, дают ли они ощутимый выигрыш в соотношении цена/качество на этом оборудовании или нет. Поэтому здесь нет q8-квантований с контекстом 200k :) …

GPU/CPU — это нагрузка, измеряемая утилитой nvitop.

Когда llama.cpp автоматически настраивает разгрузку слоев на GPU, оно пытается оставить 1 ГБ свободным. Мы можем вручную указать этот параметр через командную строку с помощью флага -ngl, но здесь я не занимаюсь тонкой настройкой, просто нужно понимать, что если при увеличении размера контекстного окна с 32k до 64k наблюдается значительное падение производительности, мы можем попробовать увеличить скорость при 64k, подстроив количество разгруженных слоев.

Тестовое оборудование и настройка llama.cpp

Я тестировал скорость LLM на ПК со следующей конфигурацией:

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

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

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

Запуски с тонкой настройкой

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

Модель	Контекст	Слои на GPU	Загрузка 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 систем с 16 ГБ VRAM

• Моя текущая любимая модель Qwen3.5-27B-UD-IQ3_XXS показывает отличные результаты в своем «золотом» контексте 50k (я получаю примерно 36 токенов/сек).
• Qwen3.5-122B-A10B-UD-IQ3_XXS по производительности обгоняет Qwen3.5 27B на контекстах выше 64K.
• Я могу заставить Qwen3.5-35B-A3B-UD-IQ3_S обрабатывать контекст из 100k токенов, и она помещается в VRAM, поэтому падения производительности нет.
• Я не буду использовать gemma-4-31B на 16 ГБ VRAM, но gemma-4-26B может быть приемлемой… 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 стоит проверить, чтобы подтвердить или опровергнуть подозрения.