abetlen / abetlen/llama-cpp-python

Mixtral A100/H100 performance

Abierto
#1,017 3 comentarios 1 reacción 0 asignados Ver en GitHub
bug performance
Lenguaje dominante
Python
Estrellas
10.6k
Forks
1.4k
Métricas de merge de PR
Métricas de PR pendientes

Descripción

I tried to play with mixtral Q5_K_M quant both on llama.cpp and python. Both servers use cuda 12, but same on 11.6. Here are some results:

llama cpp, A100
```
llama_print_timings: load time = 5438.24 ms
llama_print_timings: sample time = 92.38 ms / 243 runs ( 0.38 ms per token, 2630.35 tokens per second)
llama_print_timings: prompt eval time = 105.61 ms / 9 tokens ( 11.73 ms per token, 85.22 tokens per second)
llama_print_timings: eval time = 5031.24 ms / 242 runs ( 20.79 ms per token, 48.10 tokens per second)
llama_print_timings: total time = 5324.31 ms
```

llama cpp, H100
```
llama_print_timings: load time = 4422.18 ms
llama_print_timings: sample time = 28.22 ms / 190 runs ( 0.15 ms per token, 6732.81 tokens per second)
llama_print_timings: prompt eval time = 77.82 ms / 9 tokens ( 8.65 ms per token, 115.65 tokens per second)
llama_print_timings: eval time = 3114.78 ms / 189 runs ( 16.48 ms per token, 60.68 tokens per second)
llama_print_timings: total time = 3272.63 ms
```

llama-cpp-python, A100

```
llama_print_timings: load time = 3054.10 ms
llama_print_timings: sample time = 113.27 ms / 269 runs ( 0.42 ms per token, 2374.92 tokens per second)
llama_print_timings: prompt eval time = 3053.75 ms / 243 tokens ( 12.57 ms per token, 79.57 tokens per second)
llama_print_timings: eval time = 11053.97 ms / 268 runs ( 41.25 ms per token, 24.24 tokens per second)
llama_print_timings: total time = 14967.72 ms
```

llama-cpp-python, H100
```

llama_print_timings: load time = 2572.72 ms
llama_print_timings: sample time = 44.71 ms / 269 runs ( 0.17 ms per token, 6016.15 tokens per second)
llama_print_timings: prompt eval time = 2572.38 ms / 243 tokens ( 10.59 ms per token, 94.47 tokens per second)
llama_print_timings: eval time = 7424.27 ms / 268 runs ( 27.70 ms per token, 36.10 tokens per second)
llama_print_timings: total time = 10591.14 ms
```

So every time I can see a 10-50% performance drop on the same settings both prompt eval time and generation. Is this behavior expected?

Guía de contribución

Abrir la guía de contribución

Evaluación

Este issue todavía no se ha evaluado.

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.