Llama.cpp Server

Effiziente LLM-Inferenz mit llama.cpp-Server auf Clore.ai-GPUs

LLMs effizient mit dem llama.cpp-Server auf der GPU ausführen.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über CLORE.AI-Marktplatz.

Serveranforderungen

Parameter	Minimum	Empfohlen
RAM	8 GB	16GB+
VRAM	6 GB	8 GB+
Netzwerk	200Mbps	500Mbps+
Startzeit	~2-5 Minuten	-

Llama.cpp ist durch GGUF-Quantisierung speichereffizient. 7B-Modelle können auf 6-8 GB VRAM laufen.

Mieten auf CLORE.AI

1. Besuchen CLORE.AI-Marktplatz

2. Filtern nach GPU-Typ, VRAM und Preis

3. Wähle On-Demand (Festpreis) oder Spot (Gebotspreis)

4. Konfiguriere deine Bestellung:

   • Docker-Image auswählen

   • Ports festlegen (TCP für SSH, HTTP für Web-UIs)

   • Bei Bedarf Umgebungsvariablen hinzufügen

   • Startbefehl eingeben

5. Zahlung auswählen: CLORE, BTC, oder USDT/USDC

6. Bestellung erstellen und auf die Bereitstellung warten

Greife auf deinen Server zu

• Verbindungsdetails finden in Meine Bestellungen

• Web-Oberflächen: Verwende die HTTP-Port-URL

• SSH: ssh -p <port> root@<proxy-address>

Was ist Llama.cpp?

Llama.cpp ist die schnellste CPU/GPU-Inferenz-Engine für LLMs:

• Unterstützt GGUF-quantisierte Modelle

• Geringer Speicherverbrauch

• OpenAI-kompatible API

• Unterstützung für mehrere Benutzer

Quantisierungsstufen

Format	Größe (7B)	Geschwindigkeit	Qualität
Q2_K	2,8 GB	Am schnellsten	Niedrig
Q4_K_M	4,1 GB	Schnell	Gut
Q5_K_M	4,8 GB	Mittel	Großartig
Q6_K	5,5 GB	Langsamer	Hervorragend
Q8_0	7,2 GB	Am langsamsten	Am besten

Schnell bereitstellen

Docker-Image:

ghcr.io/ggerganov/llama.cpp:server-cuda

Ports:

22/tcp
8080/http

Befehl:

# Modell herunterladen
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

# Server starten
./llama-server \\
    -m Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \\
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 35 \\
    -c 4096

Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine http_pub URL in Meine Bestellungen:

1. Gehe zu Meine Bestellungen Seite

2. Klicke auf deine Bestellung

3. Finde die http_pub URL (z. B. abc123.clorecloud.net)

Verwende https://YOUR_HTTP_PUB_URL anstelle von localhost in den folgenden Beispielen.

Prüfen, ob es funktioniert

# Status prüfen
curl https://your-http-pub.clorecloud.net/health

# Serverinformationen abrufen
curl https://your-http-pub.clorecloud.net/props

Wenn Sie HTTP 502 erhalten, startet der Dienst möglicherweise noch oder lädt das Modell herunter. Warten Sie 2-5 Minuten und versuchen Sie es erneut.

Vollständige API-Referenz

Standard-Endpunkte

Endpunkt	Methode	Beschreibung
/health	GET	Statusprüfung
/v1/models	GET	Modelle auflisten
/v1/chat/completions	POST	Chat (OpenAI-kompatibel)
/v1/completions	POST	Textvervollständigung (OpenAI-kompatibel)
/v1/embeddings	POST	Embeddings generieren
/completion	POST	Nativer Vervollständigungs-Endpunkt
/tokenize	POST	Text tokenisieren
/detokenize	POST	Tokens detokenisieren
/props	GET	Servereigenschaften
/metrics	GET	Prometheus-Metriken

Text tokenisieren

curl https://your-http-pub.clorecloud.net/tokenize \\
    -H "Content-Type: application/json" \\
    -d '{"content": "Hallo Welt"}'

Antwort:

{"tokens": [15496, 1917]}

Servereigenschaften

curl https://your-http-pub.clorecloud.net/props

Antwort:

{
  "total_slots": 1,
  "chat_template": "...",
  "default_generation_settings": {...}
}

Aus dem Quellcode bauen

# Repo klonen
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

# Mit CUDA bauen
make LLAMA_CUDA=1

# Oder mit CMake
mkdir build && cd build
cmake .. -DLLAMA_CUDA=ON
cmake --build . --config Release

Modelle herunterladen

# Llama 3.1 8B
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf

# Mistral 7B
wget https://huggingface.co/bartowski/Mistral-7B-Instruct-v0.3-GGUF/resolve/main/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf

# Mixtral 8x7B
wget https://huggingface.co/bartowski/Mixtral-8x7B-Instruct-v0.1-GGUF/resolve/main/Mixtral-8x7B-Instruct-v0.1-Q4_K_M.gguf

# Phi-2
wget https://huggingface.co/bartowski/Phi-4-GGUF/resolve/main/Phi-4-Q4_K_M.gguf

# CodeLlama 7B
wget https://huggingface.co/bartowski/CodeLlama-7B-Instruct-GGUF/resolve/main/CodeLlama-7B-Instruct-Q4_K_M.gguf

Serveroptionen

Basis-Server

./llama-server \\
    -m model.gguf \\
    --host 0.0.0.0 \
    --port 8080

Vollständiges GPU-Offloading

./llama-server \\
    -m model.gguf \\
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 99 \\           # GPU-Schichten (99 = alle)
    -c 4096 \\           # Kontextgröße
    -t 8 \\              # CPU-Threads
    --parallel 4        # Gleichzeitige Anfragen

Alle Optionen

./llama-server \\
    -m model.gguf \\           # Modelldatei
    --host 0.0.0.0 \\          # Bind-Adresse
    --port 8080 \\             # Port
    -ngl 35 \\                 # GPU-Schichten
    -c 4096 \\                 # Kontextgröße
    -t 8 \\                    # Threads
    -b 512 \\                  # Batchgröße
    --parallel 4 \\            # Parallele Anfragen
    --mlock \\                 # Speicher sperren
    --no-mmap \\               # mmap deaktivieren
    --cont-batching \\         # Kontinuierliches Batching
    --flash-attn \\            # Flash-Attention
    --metrics                 # Metrik-Endpunkt aktivieren

API-Nutzung

Chat-Vervollständigungen (OpenAI-kompatibel)

import openai

client = openai.OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed"
)

response = client.chat.completions.create(
    model="llama-3.1-8b",
    messages=[
        {"role": "system", "content": "Du bist ein hilfreicher Assistent."},
        {"role": "user", "content": "Was ist maschinelles Lernen?"}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

Streaming

stream = client.chat.completions.create(
    model="llama-3.1-8b",
    messages=[{"role": "user", "content": "Schreibe eine Geschichte"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Textvervollständigung

response = client.completions.create(
    model="llama-3.1-8b",
    prompt="Die Zukunft der KI ist",
    max_tokens=100,
    temperature=0.8
)

print(response.choices[0].text)

Embeddings

response = client.embeddings.create(
    model="llama-3.1-8b",
    input="Hallo, Welt!"
)

print(f"Embedding: {response.data[0].embedding[:5]}...")

cURL-Beispiele

Chat

curl http://localhost:8080/v1/chat/completions \
    -H "Content-Type: application/json" \\
    -d '{
        "model": "llama-3.1-8b",
        "messages": [
            {"role": "user", "content": "Hallo!"}
        ]
    }'

Vervollständigung

curl http://localhost:8080/completion \\
    -H "Content-Type: application/json" \\
    -d '{
        "prompt": "Das Erstellen einer Website erfordert",
        "n_predict": 128,
        "temperature": 0.7
    }'

Statusprüfung

curl http://localhost:8080/health

Metriken

curl http://localhost:8080/metrics

Multi-GPU

# Auf GPUs aufteilen
./llama-server \\
    -m model.gguf \\
    -ngl 99 \
    --tensor-split 0.5,0.5 \\  # Zwischen 2 GPUs aufteilen
    --main-gpu 0              # Primäre GPU

Speicheroptimierung

Bei begrenztem VRAM

# Teilweises Offloading
./llama-server -m model.gguf -ngl 20 -c 2048

# Kleinere Quantisierung verwenden

# Q2_K oder Q3_K statt Q4_K herunterladen

Für maximale Geschwindigkeit

./llama-server \\
    -m model.gguf \\
    -ngl 99 \
    --flash-attn \\
    --cont-batching \\
    --parallel 8 \\
    -b 1024

Modellspezifische Vorlagen

Llama 2 Chat

./llama-server -m Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \\
    --chat-template llama2

Mistral Instruct

./llama-server -m mistral-7b-instruct.gguf \\
    --chat-template mistral

ChatML (Viele Modelle)

./llama-server -m model.gguf \\
    --chat-template chatml

Python-Server-Wrapper

import subprocess
import requests
import time

class LlamaCppServer:
    def __init__(self, model_path, port=8080, gpu_layers=35):
        self.port = port
        self.process = subprocess.Popen([
            "./llama-server",
            "-m", model_path,
            "--host", "0.0.0.0",
            "--port", str(port),
            "-ngl", str(gpu_layers),
            "-c", "4096"
        ])
        self._wait_for_ready()

    def _wait_for_ready(self, timeout=60):
        start = time.time()
        while time.time() - start < timeout:
            try:
                r = requests.get(f"http://localhost:{self.port}/health")
                if r.status_code == 200:
                    return
            except:
                pass
            time.sleep(1)
        raise TimeoutError("Der Server wurde nicht gestartet")

    def chat(self, messages, **kwargs):
        response = requests.post(
            f"http://localhost:{self.port}/v1/chat/completions",
            json={"messages": messages, **kwargs}
        )
        return response.json()

    def stop(self):
        self.process.terminate()

# Verwendung
server = LlamaCppServer("llama-3.1-8b.gguf")
result = server.chat([{"role": "user", "content": "Hallo!"}])
print(result["choices"][0]["message"]["content"] )
server.stop()

Benchmarking

# Integrierter Benchmark
./llama-bench -m model.gguf -ngl 99

# Ausgabe enthält:

# - Tokens pro Sekunde

# - Speichernutzung

# - Ladezeit

Leistungsvergleich

Modell	GPU	Quantisierung	Tokens/Sek.
Llama 3.1 8B	RTX 3090	Q4_K_M	~100
Llama 3.1 8B	RTX 4090	Q4_K_M	~150
Llama 3.1 8B	RTX 3090	Q4_K_M	~60
Mistral 7B	RTX 3090	Q4_K_M	~110
Mixtral 8x7B	A100	Q4_K_M	~50

Fehlerbehebung

CUDA nicht erkannt

# Mit CUDA neu kompilieren
make clean
make LLAMA_CUDA=1

# CUDA prüfen
nvidia-smi

Speicher erschöpft

# GPU-Layer reduzieren
-ngl 20  # Statt 99

# Kontext reduzieren
-c 2048  # Statt 4096

# Kleinere Quantisierung verwenden

# Q4_K_S statt Q4_K_M

Langsame Generierung

# Batchgröße erhöhen
-b 1024

# Flash-Attention aktivieren
--flash-attn

# Kontinuierliches Batching aktivieren
--cont-batching

Produktions-Setup

systemd-Dienst

# /etc/systemd/system/llama.service
[Unit]
Description=Llama.cpp Server
After=network.target

[Service]
Type=simple
ExecStart=/opt/llama.cpp/llama-server -m /models/model.gguf -ngl 99 --host 0.0.0.0 --port 8080
Restart=always

[Install]
WantedBy=multi-user.target

Mit nginx

upstream llama {
    server localhost:8080;
}

server {
    listen 80;

    location / {
        proxy_pass http://llama;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
    }
}

Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

GPU	Stundensatz	Tagessatz	4-Stunden-Sitzung
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie CLORE.AI-Marktplatz für aktuelle Preise.

Geld sparen:

• Nutzen Sie den Spot Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf

• Bezahlen Sie mit CLORE Tokens

• Vergleichen Sie Preise zwischen verschiedenen Anbietern

Nächste Schritte

• vLLM-Inferenz - Höherer Durchsatz

• ExLlamaV2 - Schnellere Inferenz

• Text Generation WebUI - Weboberfläche