llama.cpp 性能基准测试与参数调优实战
在本地部署大语言模型时，性能优化往往是绕不开的核心问题。同样的硬件配置，不同参数下的吞吐量可能相差数倍。llama.cpp 提供的 llama-bench 工具通过标准化测试流程，帮助开发者验证硬件利用率、对比量化模型差异，并优化关键参数。
为什么需要标准化性能测试
相同的模型在不同环境下，吞吐量（tokens/秒）波动较大。llama-bench 能帮助我们：
- 验证硬件配置的实际利用率
- 对比不同量化模型（如 Q4_K vs Q8_0）的性能差异
- 优化线程数、GPU 层分配等关键参数
- 建立性能基准，追踪代码迭代对速度的影响
性能测试核心指标
llama-bench 主要关注两类核心性能指标：
- PP（Prompt Processing）：提示词处理速度（tokens/秒），衡量模型理解输入的效率
- TG（Text Generation）：文本生成速度（tokens/秒），决定对话响应的流畅度
快速上手：完成基准测试
环境准备
确保已编译 llama.cpp 项目，生成 llama-bench 可执行文件：
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
make llama-bench
基础测试命令
准备好 GGUF 格式的模型后，可以直接运行基础命令进行测试：
./llama-bench -m models/7B/ggml-model-q4_0.gguf
默认测试将输出 Markdown 格式的结果表格，包含提示词处理（512 tokens）和文本生成（128 tokens）的平均速度：
| model | size | params | backend | ngl | test | t/s |
|---|---|---|---|---|---|---|
| llama 7B mostly Q4_0 | 3.56GiB | 6.74B | CUDA | 99 | pp512 | 2368.80±93.24 |
| llama 7B mostly Q4_0 | 3.56GiB | 6.74B | CUDA | 99 | tg128 | 131.42±0.59 |
测试类型详解
llama-bench 支持三种测试模式，通过参数组合灵活配置：
| 测试模式 | 参数组合 | 适用场景 |
|---|---|---|
| 仅提示词处理 | -p 1024 -n 0 | 评估长文档理解性能 |
| 仅文本生成 | -p 0 -n 256 | 优化对话生成流畅度 |
| 混合测试 | -pg 512,128 | 模拟实际对话场景 |