Llama.cpp сервер

Эффективный инференс LLM с сервером llama.cpp на GPU Clore.ai

Запускайте LLM эффективно с сервером llama.cpp на GPU.

Все примеры можно запускать на GPU-серверах, арендуемых через CLORE.AI Marketplace.

Требования к серверу

Параметр	Минимум	Рекомендуется
ОЗУ	8GB	16 ГБ+
VRAM	6 ГБ	8 ГБ+
Сеть	200 Мбит/с	500 Мбит/с+
Время запуска	~2–5 минут	-

Llama.cpp экономно использует память благодаря квантованию GGUF. Модели 7B могут работать на 6–8 ГБ VRAM.

Аренда на CLORE.AI

1. Посетите CLORE.AI Marketplace

2. Отфильтруйте по типу GPU, объему VRAM и цене

3. Выберите On-Demand (фиксированная ставка) или Spot (цена по ставке)

4. Настройте ваш заказ:

   • Выберите Docker-образ

   • Установите порты (TCP для SSH, HTTP для веб-интерфейсов)

   • Добавьте переменные окружения при необходимости

   • Введите команду запуска

5. Выберите способ оплаты: CLORE, BTC, или USDT/USDC

6. Создайте заказ и дождитесь развертывания

Доступ к вашему серверу

• Найдите данные для подключения в Моих заказах

• Веб-интерфейсы: используйте URL HTTP-порта

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

Что такое Llama.cpp?

Llama.cpp — самый быстрый движок вывода для LLM на CPU/GPU:

• Поддерживает квантованные модели GGUF

• Низкое потребление памяти

• Совместимый с API OpenAI

• Поддержка нескольких пользователей

Уровни квантования

Формат	Размер (7B)	Скорость	Качество
Q2_K	2.8 ГБ	Самая быстрая	Низкая
Q4_K_M	4.1 ГБ	Быстро	Хорошо
Q5_K_M	4.8 ГБ	Средне	Отлично
Q6_K	5.5 ГБ	Медленнее	Отлично
Q8_0	7.2 ГБ	Самый медленный	Лучшее

Быстрое развертывание

Docker-образ:

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

Порты:

22/tcp
8080/http

Команда:

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

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

Доступ к вашему сервису

После развертывания найдите ваш http_pub URL в Моих заказах:

1. Перейдите на Моих заказах страницу

2. Нажмите на ваш заказ

3. Найдите http_pub URL (например, abc123.clorecloud.net)

Используйте https://YOUR_HTTP_PUB_URL вместо localhost в примерах ниже.

Проверьте, что всё работает

# Проверить состояние
curl https://your-http-pub.clorecloud.net/health

# Получить информацию о сервере
curl https://your-http-pub.clorecloud.net/props

Если вы получаете HTTP 502, служба может ещё запускаться или скачивать модель. Подождите 2–5 минут и попробуйте снова.

Полная справочная документация API

Стандартные конечные точки

Эндпоинт	Метод	Описание
/health	GET	Проверка состояния
/v1/models	GET	Список моделей
/v1/chat/completions	POST	Чат (совместимый с OpenAI)
/v1/completions	POST	Дополнение текста (совместимо с OpenAI)
/v1/embeddings	POST	Генерация эмбеддингов
/completion	POST	Родной endpoint для дополнений
/tokenize	POST	Токенизация текста
/detokenize	POST	Детокенизация токенов
/props	GET	Свойства сервера
/metrics	GET	Метрики Prometheus

Токенизировать текст

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

Ответ:

{"tokens": [15496, 1917]}

Свойства сервера

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

Ответ:

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

Собрать из исходников

# Клонировать репозиторий
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

# Сборка с CUDA
make LLAMA_CUDA=1

# Или с CMake
mkdir build && cd build
cmake .. -DLLAMA_CUDA=ON
cmake --build . --config Release

Загрузка моделей

# 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

Параметры сервера

Базовый сервер

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

Полная выгрузка на GPU

./llama-server \
    -m model.gguf \
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 99 \           # Слои на GPU (99 = все)
    -c 4096 \           # Размер контекста
    -t 8 \              # Потоки CPU
    --parallel 4        # Параллельные запросы

Все опции

./llama-server \
    -m model.gguf \           # Файл модели
    --host 0.0.0.0 \          # Адрес привязки
    --port 8080 \             # Порт
    -ngl 35 \                 # Слои на GPU
    -c 4096 \                 # Размер контекста
    -t 8 \                    # Потоки
    -b 512 \                  # Размер батча
    --parallel 4 \            # Параллельные запросы
    --mlock \                 # Блокировка памяти
    --no-mmap \               # Отключить mmap
    --cont-batching \         # Непрерывная батчинг
    --flash-attn \            # Flash attention
    --metrics                 # Включить endpoint метрик

Использование API

Chat Completions (совместимо с OpenAI)

import openai

client = openai.OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="не_требуется"
)

response = client.chat.completions.create(
    model="llama-3.1-8b",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is machine learning?"}
    ],
    temperature=0.7,
    max_tokens=500
)

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

Потоковая передача (Streaming)

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

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

Дополнение текста

response = client.completions.create(
    model="llama-3.1-8b",
    prompt="The future of AI is",
    max_tokens=100,
    temperature=0.8
)

print(response.choices[0].text)

Эмбеддинги

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

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

Примеры cURL

Чат

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

Дополнение

curl http://localhost:8080/completion \
    -H "Content-Type: application/json" \
    -d '{
        "prompt": "Building a website requires",
        "n_predict": 128,
        "temperature": 0.7
    }'

Проверка состояния

curl http://localhost:8080/health

Метрики

curl http://localhost:8080/metrics

Мульти-GPU

# Разделение по GPU
./llama-server \
    -m model.gguf \
    -ngl 99 \
    --tensor-split 0.5,0.5 \  # Разделение между 2 GPU
    --main-gpu 0              # Основной GPU

Оптимизация памяти

Для ограниченной видеопамяти (VRAM)

# Частичный оффлоад
./llama-server -m model.gguf -ngl 20 -c 2048

# Использовать меньшую квантизацию

# Скачайте Q2_K или Q3_K вместо Q4_K

Для максимальной скорости

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

Шаблоны, специфичные для модели

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 (много моделей)

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

Python-обёртка для сервера

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("Server didn't start")

    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()

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

Бенчмаркинг

# Встроенный бенчмарк
./llama-bench -m model.gguf -ngl 99

# Вывод включает:

# - Токены в секунду

# - Использование памяти

# - Время загрузки

Сравнение производительности

Модель	GPU	Квантование	Токенов/с
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

Устранение неполадок

CUDA не обнаружена

# Пересобрать с CUDA
make clean
make LLAMA_CUDA=1

# Проверить CUDA
nvidia-smi

Недостаточно памяти

# Уменьшить количество GPU-слоёв
-ngl 20  # Вместо 99

# Уменьшить контекст
-c 2048  # Вместо 4096

# Использовать меньшую квантование

# Q4_K_S вместо Q4_K_M

Медленная генерация

# Увеличить размер батча
-b 1024

# Включить flash attention
--flash-attn

# Включить непрерывный батчинг
--cont-batching

Продакшен-настройка

Служба systemd

# /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

С nginx

upstream llama {
    server localhost:8080;
}

server {
    listen 80;

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

Оценка стоимости

Типичные ставки на маркетплейсе CLORE.AI (по состоянию на 2024):

GPU	Почасовая ставка	Дневная ставка	Сессия 4 часа
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

Цены варьируются в зависимости от провайдера и спроса. Проверьте CLORE.AI Marketplace для текущих тарифов.

Экономьте деньги:

• Используйте Spot рынок для гибких рабочих нагрузок (часто на 30–50% дешевле)

• Платите с помощью CLORE токенов

• Сравнивайте цены у разных провайдеров

Дальнейшие шаги

• vLLM Inference — более высокая пропускная способность

• ExLlamaV2 - Более быстрый вывод

• Text Generation WebUI - Веб-интерфейс