Универсальные GPU-скрипты для llama.cpp

В этой директории лежат общие скрипты для подготовки окружения и запуска llama.cpp на разных NVIDIA GPU. Текущие значения по умолчанию подобраны под RTX 4090, но все GPU-зависимые параметры вынесены в переменные окружения.

Каталог можно переименовать, например в scripts, и положить в любое место на сервере. Скрипты не завязаны на имя директории и должны вызываться по полному пути через bash.

Скрипты

• profiles.sh: загружает готовый профиль переменных окружения по имени GPU.
• setup.sh: собирает Docker-образ и проверяет доступ Docker к GPU.
• download.sh: скачивает GGUF-модель из Hugging Face.
• run.sh: запускает llama-server с выбранной моделью и runtime-параметрами.
• llama-server.dockerfile: Dockerfile для сборки с настраиваемой CUDA-архитектурой.

Общие переменные

При смене GPU или модели обычно нужно задавать эти переменные:

• ROOT_DIR: базовая директория для моделей и кэшей. По умолчанию: $HOME/llama-runtime
• IMAGE_TAG: тег Docker-образа. По умолчанию: llama-server:local
• DOCKERFILE_PATH: путь к llama-server.dockerfile
• BUILD_CONTEXT: build context для setup.sh
• CUDA_ARCHITECTURES: CUDA-архитектура, передаваемая в CMake при сборке
• MODEL_REPO: репозиторий Hugging Face для download.sh
• MODEL_FILE: имя GGUF-файла для download.sh и run.sh
• MODEL_DIR_NAME: имя локальной директории модели. По умолчанию: имя файла без .gguf
• API_KEY: если задан, будет проброшен в контейнер для llama-server
• GPU_VISIBLE_DEVICES: какие GPU отдавать в Docker. Варианты: all, 0, 1, 0,1
• CTX_SIZE
• BATCH_SIZE
• UBATCH_SIZE
• THREADS
• N_GPU_LAYERS
• SPLIT_MODE: например none, layer или другой режим llama.cpp
• MAIN_GPU: индекс основной GPU внутри контейнера
• TENSOR_SPLIT: опциональное распределение по нескольким GPU, например 1,1 или 3,2,2,1

Быстрый старт

Сначала загрузи профиль GPU в текущую shell-сессию:

source /path/to/scripts/profiles.sh 4090

Доступные профили:

3090
v100
4090
h100
h200
h100nvl

Собрать образ:

bash /path/to/scripts/setup.sh

Скачать модель:

HF_TOKEN=... \
bash /path/to/scripts/download.sh

Запустить модель:

bash /path/to/scripts/run.sh

Если нужен ключ для HTTP API llama-server, его можно задать через env:

API_KEY=my-secret-key bash /path/to/scripts/run.sh

При необходимости можно переопределять отдельные переменные уже после загрузки профиля:

source /path/to/scripts/profiles.sh h100
export GPU_VISIBLE_DEVICES=0,1
export SPLIT_MODE=layer
export TENSOR_SPLIT=1,1
bash /path/to/scripts/run.sh

Профили GPU

Доступные профили:

• 3090
• v100
• 4090
• h100
• h200
• h100nvl

Профиль загружается так:

source /path/to/scripts/profiles.sh 4090

Примеры для нескольких GPU

Две GPU, отдать обе в Docker и разделить нагрузку поровну:

source /path/to/scripts/profiles.sh 4090
export GPU_VISIBLE_DEVICES=0,1
export SPLIT_MODE=layer
export MAIN_GPU=0
export TENSOR_SPLIT=1,1
bash /path/to/scripts/run.sh

Четыре GPU, немного сместить нагрузку в сторону первой:

source /path/to/scripts/profiles.sh h100
export GPU_VISIBLE_DEVICES=0,1,2,3
export SPLIT_MODE=layer
export MAIN_GPU=0
export TENSOR_SPLIT=3,2,2,1
bash /path/to/scripts/run.sh

Образ обычно достаточно собрать один раз под семейство GPU сервера, а дальше можно быстро переключать модели через переменные модели.

Замечания

• profiles.sh нужно подключать через source, иначе переменные не останутся в текущей shell-сессии.
• Если задаёшь ROOT_DIR, MODEL_DIR, HF_HOME_DIR или LLAMA_CACHE_DIR вручную, используй абсолютный путь без кавычек-литералов вроде '$HOME/...'.
• setup.sh нужно пересобирать с правильным CUDA_ARCHITECTURES под целевой сервер.
• Если GPU_VISIBLE_DEVICES не равен all, в контейнер будут проброшены только выбранные GPU.
• Если упираешься в OOM, сначала уменьшай CTX_SIZE или BATCH_SIZE.
• Для очень больших моделей на нескольких GPU TENSOR_SPLIT обычно нужно подбирать экспериментально.

Примеры запусков Qwen 3.6

Есть готовые bundle-скрипты:

• bundles/3090-1.sh: подготовка окружения под одну RTX 3090
• bundles/4090-1.sh: подготовка окружения под одну RTX 4090

Важно: bundle не сохраняет свои export после завершения, потому что запускается через bash, а не через source. После bundles/*.sh запускай run.sh с теми же env-переменными, которые bundle печатает в конце одной готовой командой.

На сервере одна RTX 4090

В этом случае можно запустить Qwen только в 4-кванте. Остальные уже не влезут только в GPU.

# Запуск 35b-a3b
export MODEL_FILE=Qwen3.6-35B-A3B-Q4_K_M.gguf 
export MODEL_REPO=lmstudio-community/Qwen3.6-35B-A3B-GGUF
export CTX_SIZE=100000
bash scripts/bundles/4090-1.sh
bash scripts/run.sh

# Запуск 35b-a3b
export MODEL_FILE=Qwen3.6-27B-Q4_K_M.gguf
export MODEL_REPO=lmstudio-community/Qwen3.6-27B-GGUF
export CTX_SIZE=100000
bash scripts/bundles/4090-1.sh
bash scripts/run.sh