제 생각에 MTP (Multi-token Prediction) 모델은 로컬 LLM (Local LLM) 분야의 100% 게임 체인저입니다.
속도 측면에서, 이전 테스트보다 약 1.5배 빠른 tok/sec (초당 토큰 수)를 기록했습니다.
이번 프로젝트는 테스트 목적이었습니다 - 단계별로 반복되는 전체 pygame 게임, 즉 작은 미스터리 던전 스타일의 게임을 만드는 것이었습니다. 처음에는 100k-200k 컨텍스트 (Context)를 설정했다가 300k까지 높였습니다. 이것은 KV Q8_0 양자화 (Quant) 기준입니다. 수정: 제가 틀렸습니다, 실수로 q4_0로 설정해 두었습니다. 내일 Q8로 테스트를 다시 하겠습니다.
저는 VSCodium과 Roo를 사용합니다. 아이디어는 컨텍스트 윈도우 (Context Window)를 어디까지 밀어붙일 수 있는지 확인하고, 다중 파일 프로젝트가 포함된 큰 컨텍스트 윈도우가 효과를 저해할 정도로 속도를 너무 느리게 만드는지 (체감상) 측정하는 것이었습니다.
사용된 모델: Qwen3.6-35B-A3B-UD-Q5_K_S (MTP 버전) - 링크
OS/소프트웨어: Ubuntu 24.04 - Vulkan - MTP를 사용하기 위해 llama.cpp 서버의 MTP 프로토타입 도커 (Docker) 버전을 사용해야 했습니다 (이미지: havenoammo/llama:vulkan-server)
현재 제 윈도우는 300k 컨텍스트이지만, 사용 중인 VRAM (비디오 램)이 28.3gb / 32gb이므로 더 높일 수 있을 것 같습니다. 아마 400k도 가능할 것입니다 (35B MoE 모델 기준).
GPU: Asus Radeon R9700 AI Pro 카드 (32gb RDNA 4 카드)
로컬 LLM 커뮤니티와 우리가 집에서 이런 강력한 모델들을 실행할 수 있게 해준 모든 분께 감사의 마음을 전하고 싶습니다. 불과 1년 전의 상황을 생각하면 정말 놀랍습니다. 이 모든 기술을 탐구하는 것이 매우 즐거우며, 매일 새로운 것을 배울 때마다 그저 경이로울 뿐입니다.
수정: 컨텍스트 세션이 깊어질 때 (약 200k 지점) MoE 모델에서 문제를 겪었기 때문에 Qwen 3.6 27b 모델 (non-MoE)로 전환했습니다. 결과를 업데이트하겠습니다. Q8_0 양자화로 전환한 후에는 문제가 없었습니다 - 다시 MoE 모델로 전환할 예정입니다 (아래 스레드에 더 자세한 내용을 게시했습니다).
새로운 테스트 - 5월 15일:
-
Q8_0 양자화 유지 - 300k 컨텍스트에서 Qwen3.6-35B-A3B-UD-Q5_K_S (MTP 버전)로 전환 (VRAM 30/32gb 사용)
-
제 프로젝트의 여러 .py 파일(다수의 파일, 방대한 코드, 디자인 .MD 문서 등)을 수정하고 있는데, 정말 날아다니는 수준입니다. 품질은 100% 완벽하며, 지금까지 175k 컨텍스트(context)에서 오류가 전혀 없었습니다. 추후 업데이트하겠습니다.
-
저는 이 모델의 속도가 너무 좋아서 다시 돌아왔습니다. 지난번에는 194k 컨텍스트 근처에서 충돌이 발생했는데, 알고 보니 KV 캐시(KV cache)에 Q_0 양자화(quants)를 사용하고 있었다는 사실을 인지하지 못했습니다. 27B dense 모델이 더 나을 수도 있겠지만, Codium과 Roo에서 엄청나게 빠르기 때문에 이 MTP 모델을 계속 사용하고 싶습니다.