MI50运行GLM-4.7-Flash的速度测试

模型版本:https://huggingface.co/unsloth/GLM-4.7-Flash-GGUF GLM-4.7-Flash-UD-Q4_K_XL.gguf

llama.cpp版本:b7933

复制代码
root@dev:~# llama-bench -m glm-4.7-flash.gguf 
ggml_cuda_init: found 1 ROCm devices:
  Device 0: AMD Radeon Graphics, gfx906:sramecc-:xnack- (0x906), VMM: no, Wave Size: 64
| model                          |       size |     params | backend    | ngl |            test |                  t/s |
| ------------------------------ | ---------: | ---------: | ---------- | --: | --------------: | -------------------: |
| deepseek2 30B.A3B Q4_K - Medium |  16.31 GiB |    29.94 B | ROCm       |  99 |           pp512 |        918.25 ± 1.37 |
| deepseek2 30B.A3B Q4_K - Medium |  16.31 GiB |    29.94 B | ROCm       |  99 |           tg128 |         54.62 ± 0.12 |

实际使用体验:

复制代码
srv  params_from_: Chat format: GLM 4.5
slot get_availabl: id  1 | task -1 | selected slot by LCP similarity, sim_best = 1.000 (> 0.100 thold), f_keep = 1.000
slot launch_slot_: id  1 | task -1 | sampler chain: logits -> ?penalties -> ?dry -> ?top-n-sigma -> top-k -> ?typical -> top-p -> min-p -> ?xtc -> ?temp-ext -> dist 
slot launch_slot_: id  1 | task 12639 | processing task, is_child = 0
slot update_slots: id  1 | task 12639 | new prompt, n_ctx_slot = 32768, n_keep = 0, task.n_tokens = 32375
slot update_slots: id  1 | task 12639 | n_tokens = 32366, memory_seq_rm [32366, end)
slot update_slots: id  1 | task 12639 | prompt processing progress, n_tokens = 32375, batch.n_tokens = 9, progress = 1.000000
slot update_slots: id  1 | task 12639 | prompt done, n_tokens = 32375, batch.n_tokens = 9
slot init_sampler: id  1 | task 12639 | init sampler, took 4.34 ms, tokens: text = 32375, total = 32375
slot print_timing: id  1 | task 12639 | 
prompt eval time =     176.24 ms /     9 tokens (   19.58 ms per token,    51.07 tokens per second)
       eval time =    1334.39 ms /    46 tokens (   29.01 ms per token,    34.47 tokens per second)
      total time =    1510.63 ms /    55 tokens

上下文32k时,提示词解码速度:51.07 tokens per second, 生成速度:34.47 tokens per second

相关推荐
云卷云舒___________14 小时前
谷歌内测Gemini 3.8 Flash,智谱开源GLM-5.3权重,腾讯亮剑Hy4,开源大模型神仙打架 | 8月29日 AI日报
谷歌·腾讯·glm·gemini·混元·智谱·ai日报
deepseek232 天前
智谱开源 GLM-5.3-Flash 拆解:320B 只激活 18B 的混合注意力架构与十万张国产卡
人工智能·大模型·glm
zhangfeng11333 天前
AMD Instinct MI50(gfx906)上为 Qwen 系列模型优化并可用的 vLLM 相关仓库、Docker 镜像与实践指南。
人工智能·docker·ai编程·qwen·算子开发·vllm·mi50
容沁风20 天前
使用ninja编译llama.cpp
llama.cpp·2080ti·gemma4·vbr
撞强25 天前
AMM:一套支持 llama.cpp / vLLM / Diffusers 的 AI 模型统一调度平台
diffusers·vllm·llama.cpp·amm·6000d
神奇霸王龙1 个月前
Coze 3.0多Agent协作:5国产基座实测对比
人工智能·python·gpt·ai·ai编程·glm
寒水馨1 个月前
Linux下载、安装llama.cpp-b10068(附安装包llama-b10068-bin-ubuntu-vulkan-x64.tar.gz)
linux·ubuntu·llm·llama·本地部署·llama.cpp·推理引擎
求真学习1 个月前
智谱联合清华开源GLM-OCR,0.9B参数配MTP多Token预测,文档解析吞吐量1.86页/秒,印章识别90.5分,第二名才42.2分
ocr·pdf解析·glm·文档解析·智谱
Briwisdom1 个月前
Speculative Decoding:用小模型给大模型“打草稿“,推理加速 2-3×
模型部署·vllm·eagle·llama.cpp·prefill·speculative·decoding
DO_Community2 个月前
GLM 5.2 上线 Digitalocean 推理平台
开源·llm·agent·glm