fix(m0): pace STT partials only in the game placement

User decision (2026-11-10): without a game the STT keeps every partial
pass while the LLM answers. gamemode_tune now measures the normal
placement with the STT room and back-to-back STT only, and paces the
2 GB game placement (back to back as the same-run baseline, every 2 s,
finals only). Docs say the slowdown applies in game mode only.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
javis-bot
2026-11-10 21:37:16 +09:00
parent b3c26417d1
commit 3f0ed4343b
7 changed files with 19 additions and 17 deletions

View File

@@ -34,7 +34,7 @@
| 도구 호출 | Strata에서 동작(빠름 12번 중 9번, 권장 12번 중 8번). 둘 다 도구를 부르지 않고 한 척하는 경우가 있음: 빠름 모델은 "5분 타이머 맞춰 줘"에서 "설정했습니다"라고만 답하고(3번 모두), 권장 모델은 "서울 날씨 어때?"에서 날씨를 지어내 답함(3번 모두). 두뇌 코드에서 고침(2026-11-10): (1) 지시문에 "바뀌는 정보(날씨·뉴스·가격·화면)는 이번 턴 도구 결과로만 말하고, 동작은 도구가 성공했을 때만 했다고 말한다"는 규칙을 넣고, 지시문 끝에 이번 턴에 쓸 수 있는 도구 이름을 다시 적음. (2) 모델이 계획 단계가 고른 도구를 건너뛰고 답하면 그 답을 버리고 계획에 적힌 호출을 직접 실행한 뒤 결과로 다시 답하게 함(인자가 도구 형식에 맞을 때만, 아니면 원래 답 유지). (3) 계획 단계에 도구 인자 이름을 보여 줌. 측정 키트 `tools_fast`/`tools_recommended` 단계로 두 모델에서 다시 확인. 수정 후에도 틀리면 모델을 바꿈(사용자 결정): 키트가 같은 계열의 덜 압축된 모델(빠름: UD-Q6_K_XL, Q8_0 / 권장: IQ3_XXS, IQ3_S)을 차례로 재고, 처음 통과한 모델을 기본값으로 함. 재측정 결과(2026-11-10): 빠름 모델 UD-Q4_K_XL이 27번 모두 통과해 기본값 그대로 둠. 도구를 모두 모델이 직접 불렀고 "건너뛴 도구 직접 실행" 장치는 한 번도 돌지 않음. (처음 채점에서는 "할 수 있는 도구는 없습니다/준비되어 있지 않습니다"를 거절로 읽지 못해 6번을 실패로 잘못 매겼고, 그래서 Q6_K_XL과 Q8_0까지 받아 잼. 채점을 고친 뒤 세 모델 모두 27번 통과.) 권장 모델은 Q2_0, IQ3_XXS, IQ3_S 모두 27번 중 24번: "거실 불 꺼 줘"에서 계획 단계는 도구가 필요 없다고 했는데 상관없는 도구(화면 보기, 날씨, 한 번은 0분 타이머)를 부름. 압축 정도와 상관없는 모델 성질이라 권장 모델은 뺌 |
| 분리된 화면공유 창 | 분리 창은 하나뿐이고 그 안에서 볼 화면공유를 고름. 창 제목에는 음성 채널 이름만 있어 누구 화면인지 모름. 누가 공유 중인지는 음성 채널 상태로 확인. 물어본 사람이 공유 중이 아니면 그렇다고 답함. 공유 중이면 공유자가 여러 명이어도 따로 묻지 않고 분리 창을 바로 캡처(사용자가 이미 그 사람 화면을 보고 있음). 가려져도 영상은 계속 그려짐 |
| 게임 감지 | 발로란트(테두리 없는 창)를 게임으로, 브라우저 전체화면 영상을 게임 아님으로 바르게 판단. 안티치트 Vanguard 실행 감지 |
| 게임 모드 VRAM 비우기 | Strata 0.1.59의 qwen36 엔진은 실행 중 VRAM 줄이기를 지원하지 않음(`POST /v1/vram`이 400). 그래서 게임 중 배치는 전문가 층 VRAM 몫(`--expert-vram`)과 프롬프트 조각(`--prefill 2048`)을 정해 다시 시작함. M0 `gamemode` 두 번 측정 결과(2026-11-10): 16GB 카드에서는 게임에 8GB를 비울 수 없음(가장 많이 비운 배치도 6.3GB, STT 제외). `--kv`와 `--mtp off`는 이 엔진에서 VRAM을 줄이지 않음(엔진 소스와 측정으로 확인). 게임 중 배치는 동시 1개, 이미지 CPU, CPU 작업자 8개, 맥락 16K이고 전문가 몫은 식으로 계산함. 게임 중 최소 배치는 전문가 2GB(사용자 결정, 2026-11-10): 실제 게임 중(`gamemode_live`) 0GB보다 출력이 1.5~2.1배 빨랐음(STT GPU 19.3 대 9.3, STT CPU 38.4 대 25.4 tok/s). 0GB는 2GB로 게임 몫이 0 이하인 PC에서만 일시정지 전에 씀. 이 PC는 기본값 8GB를 못 비우므로 최소 배치로 가고 "게임에 약 2.6GB까지만"을 표시함(LLM과 STT를 함께 켜고 10명 동시 전사를 돌리며 잰 값, `gamemode_stt`). 평소 배치도 Strata 자동 배치 대신 같은 식으로 STT 몫을 남겨 `--expert-vram`을 정함(사용자 결정, 2026-11-10): 자동 배치는 STT와 함께 16.3GB 중 15.9GB까지 채웠고 맥락 첫 토큰이 1.6초에서 7.5초로 늘었음. LLM이 답하는 동안에는 STT 부분 전사 간격을 늘리고 최종 전사는 바로 처리함(사용자 결정, 2026-11-10): 10명 동시 전사를 쉬지 않고 돌리면 LLM 출력이 1/2.5~1/3로 줄고 음성 첫 문장이 1.3~1.7초가 됨. 둘 다 `gamemode_tune`으로 다시 재서 간격과 속도를 확정함. 배치 전환 28~36초, 실제 게임 중 43~47초. STT는 게임 중에도 GPU에 둠: CPU로 옮기면 말 한 마디 전사가 3.0~3.8초(GPU 0.11~0.19초)라 부분 전사를 따라가지 못함. 엔진이 실행 중 줄이기를 지원하면 다시 잼 ([pc-features.md](pc-features.md#측정-결과-m0-gamemode-2026-11-10-rtx-5070-ti-16gb-ryzen-9-9950x3d)) |
| 게임 모드 VRAM 비우기 | Strata 0.1.59의 qwen36 엔진은 실행 중 VRAM 줄이기를 지원하지 않음(`POST /v1/vram`이 400). 그래서 게임 중 배치는 전문가 층 VRAM 몫(`--expert-vram`)과 프롬프트 조각(`--prefill 2048`)을 정해 다시 시작함. M0 `gamemode` 두 번 측정 결과(2026-11-10): 16GB 카드에서는 게임에 8GB를 비울 수 없음(가장 많이 비운 배치도 6.3GB, STT 제외). `--kv`와 `--mtp off`는 이 엔진에서 VRAM을 줄이지 않음(엔진 소스와 측정으로 확인). 게임 중 배치는 동시 1개, 이미지 CPU, CPU 작업자 8개, 맥락 16K이고 전문가 몫은 식으로 계산함. 게임 중 최소 배치는 전문가 2GB(사용자 결정, 2026-11-10): 실제 게임 중(`gamemode_live`) 0GB보다 출력이 1.5~2.1배 빨랐음(STT GPU 19.3 대 9.3, STT CPU 38.4 대 25.4 tok/s). 0GB는 2GB로 게임 몫이 0 이하인 PC에서만 일시정지 전에 씀. 이 PC는 기본값 8GB를 못 비우므로 최소 배치로 가고 "게임에 약 2.6GB까지만"을 표시함(LLM과 STT를 함께 켜고 10명 동시 전사를 돌리며 잰 값, `gamemode_stt`). 평소 배치도 Strata 자동 배치 대신 같은 식으로 STT 몫을 남겨 `--expert-vram`을 정함(사용자 결정, 2026-11-10): 자동 배치는 STT와 함께 16.3GB 중 15.9GB까지 채웠고 맥락 첫 토큰이 1.6초에서 7.5초로 늘었음. 게임 중에 LLM이 답하는 동안에는 STT 부분 전사 간격을 늘리고 최종 전사는 바로 처리함. 게임이 없을 때는 LLM이 답하는 동안에도 부분 전사를 줄이지 않고 그대로 함(사용자 결정, 2026-11-10). 10명 동시 전사를 쉬지 않고 돌리면 LLM 출력이 1/2.5~1/3로 줄고 음성 첫 문장이 1.3~1.7초가 됨. 둘 다 `gamemode_tune`으로 다시 재서 간격과 속도를 확정함. 배치 전환 28~36초, 실제 게임 중 43~47초. STT는 게임 중에도 GPU에 둠: CPU로 옮기면 말 한 마디 전사가 3.0~3.8초(GPU 0.11~0.19초)라 부분 전사를 따라가지 못함. 엔진이 실행 중 줄이기를 지원하면 다시 잼 ([pc-features.md](pc-features.md#측정-결과-m0-gamemode-2026-11-10-rtx-5070-ti-16gb-ryzen-9-9950x3d)) |
| PC 프로그램 조작 (agent-desktop) | 게임PC에서 동작 확인: 계산기 12+3=15, 테스트 창 입력칸에 값 넣고 다시 읽기 성공(창을 띄우고 2.9초 뒤 읽힘). 명령 한 번: 찾기 0.18초, 누르기 0.22초, 값 넣기 0.28초. 명령마다 실행 0.10초, 계속 켜 둔 MCP 0.09초라 명령마다 실행 방식으로 정함. 디스코드·탐색기 읽기 시간은 키트가 Windows 프로세스 이름(`Discord.exe`)을 맞추지 못해 재지 못했고, 키트가 띄운 계산기는 `close-app`으로 닫히지 않음(UWP 앱이라 `APP_NOT_FOUND`). 둘 다 고쳐서 `gamemode`와 함께 다시 잼 |
| 봇용 크롬창 | 실제 모니터 어디에도 보이지 않게 가상 모니터에 둠(사용자 선택). M0 `vdisplay` 단계는 돌리지 않고, M6에서 함께 넣을 드라이버로 직접 확인 ([pc-features.md](pc-features.md#봇용-크롬창과-디스코드-화면공유)) |

View File

@@ -110,7 +110,7 @@ LLM과 STT를 함께 켠 측정(M0 `gamemode_stt`, 게임 없음). STT를 먼저
| 전문가 0GB, 맥락 16K | CPU(8개) | 25.4 | 1.12초 | 1.7초 | 35.1초 | 3.8초 | 4.0GB |
- **STT 몫은 추정과 같습니다.** STT를 GPU에 두면 10명 동시 전사 때 VRAM이 2.7GB 더 올라갑니다(LLM이 쓰는 양에서 최대치까지). 게임 몫은 추정(0GB 3.1GB, 2GB 2.2GB)보다 조금 많은 3.6GB와 2.6GB였습니다.
- **STT와 LLM이 GPU 계산을 두고 다툽니다.** STT가 10명 동시 전사를 쉬지 않고 돌리면 LLM 출력이 1/2.5~1/3로 줄고(평소 85→34, 전문가 2GB 74→24, 0GB 49→18 tok/s) 음성 첫 문장이 1.3~1.7초로 기준(0.7초)을 넘습니다. STT 쪽은 함께 돌아도 한 사람 0.11~0.19초로 버팁니다. 10명이 쉬지 않고 말하는 최악의 경우이지만, 부분 전사를 0.3~0.5초마다 하므로 여러 명이 동시에 말하면 비슷한 부하가 됩니다. 그래서 LLM이 답을 만드는 동안에는 부분 전사 간격을 늘리고, 말이 끝난 뒤의 최종 전사는 기다리지 않고 바로 처리합니다(사용자 결정, 2026-11-10, [voice-and-llm.md](voice-and-llm.md#stt)). 간격(2초, 또는 답하는 동안 부분 전사 멈춤)은 M0 `gamemode_tune`으로 재서 정합니다.
- **STT와 LLM이 GPU 계산을 두고 다툽니다.** STT가 10명 동시 전사를 쉬지 않고 돌리면 LLM 출력이 1/2.5~1/3로 줄고(평소 85→34, 전문가 2GB 74→24, 0GB 49→18 tok/s) 음성 첫 문장이 1.3~1.7초로 기준(0.7초)을 넘습니다. STT 쪽은 함께 돌아도 한 사람 0.11~0.19초로 버팁니다. 10명이 쉬지 않고 말하는 최악의 경우이지만, 부분 전사를 0.3~0.5초마다 하므로 여러 명이 동시에 말하면 비슷한 부하가 됩니다. 그래서 게임 중에 LLM이 답을 만드는 동안에는 부분 전사 간격을 늘리고, 말이 끝난 뒤의 최종 전사는 기다리지 않고 바로 처리합니다. 게임이 없을 때는 부분 전사를 줄이지 않습니다(사용자 결정, 2026-11-10, [voice-and-llm.md](voice-and-llm.md#stt)). 간격(2초, 또는 답하는 동안 부분 전사 멈춤)은 M0 `gamemode_tune`으로 재서 정합니다.
- **평소 배치는 STT 자리를 남기지 않습니다.** 평소(동시 1개) 배치는 Strata 자동 배치가 VRAM을 전문가 층으로 채워서, STT를 함께 돌리면 16.3GB 중 15.9GB까지 찼습니다(남은 VRAM 0.4GB). 이때 맥락 첫 토큰이 7.5초로 늘었습니다(혼자일 때 1.6초). VRAM이 거의 찬 것이 원인이라는 것은 가설입니다. 같은 측정에서 STT의 GPU 계산도 함께 돌았으므로 둘을 나눠 재지 않았습니다. qwen36 엔진은 `--vram-reserve-mib`를 받지 않으므로(엔진 기록: "not an option of this engine") 평소 배치도 STT 몫을 빼고 `--expert-vram`을 정합니다(사용자 결정, 2026-11-10, [식](#pc마다-값을-계산)). 이 PC에서는 식으로 약 2~3GB가 나와 전문가 2GB(74 tok/s)와 4GB(90 tok/s) 배치 사이의 속도가 될 것으로 봅니다(추정, 자동 배치 혼자일 때 97 tok/s). 첫 토큰 지연이 줄어드는지와 실제 속도는 M0 `gamemode_tune`으로 다시 잽니다.
- **실제 게임에서는 전문가 2GB가 0GB보다 빠릅니다**: STT GPU일 때 2.1배(19.3 대 9.3 tok/s), STT CPU일 때 1.5배(38.4 대 25.4 tok/s). 0GB는 전문가 층을 모두 CPU로 계산하므로 게임과 CPU를 함께 쓰는 것이 원인으로 보이지만, 따로 나눠 재지는 않았습니다(추정). 0GB가 더 비우는 VRAM은 약 0.9GB입니다. 이번 게임은 VRAM을 약 2~3GB 썼고 네 배치 모두 켜졌지만, 전문가 2GB에 STT GPU면 남는 VRAM이 0.5GB로 빠듯했습니다.
- **재지 않은 것**: LLM과 STT가 게임 화면 프레임에 주는 영향(키트는 게임 화면을 보지 않음). 측정한 사용자 느낌으로는 가끔 프레임이 떨어졌지만 크게 문제되지 않았습니다(2026-11-10).

View File

@@ -4,7 +4,7 @@
| 단계 | 내용 | 완료 기준 |
|---|---|---|
| M0 | 게임PC 사전 검증 | 측정 스크립트를 게임PC에서 직접 실행하고 결과 파일을 보내 주시는 방식입니다. 결과로 기본값을 확정합니다. 확인 항목은 아래 목록에 있습니다. 가상 모니터 확인을 뺀 모든 항목 측정 완료(2026-11-10). 가상 모니터 확인은 M6에서 합니다. 2026-11-10에 추가한 `desktop` 단계(agent-desktop)는 측정을 마쳤고, 자동 성능 조절용 `gamemode` 단계는 세 번 쟀고, `gamemode_stt`(LLM과 STT를 함께 켬, STT GPU·CPU)와 `gamemode_live`(실제 게임을 켬) 단계도 측정을 마쳤습니다(2026-11-10). 결과로 게임 중 최소 배치는 전문가 2GB로 정했고, 평소 배치에 STT 자리를 남기는 것과 LLM이 답하는 동안 부분 전사 간격을 늘리는 것도 정했습니다(사용자 결정, 2026-11-10). 이 둘은 `gamemode_tune` 단계로 다시 재는 중입니다. 측정 키트: [scripts/m0/](../../scripts/m0/README.md) |
| M0 | 게임PC 사전 검증 | 측정 스크립트를 게임PC에서 직접 실행하고 결과 파일을 보내 주시는 방식입니다. 결과로 기본값을 확정합니다. 확인 항목은 아래 목록에 있습니다. 가상 모니터 확인을 뺀 모든 항목 측정 완료(2026-11-10). 가상 모니터 확인은 M6에서 합니다. 2026-11-10에 추가한 `desktop` 단계(agent-desktop)는 측정을 마쳤고, 자동 성능 조절용 `gamemode` 단계는 세 번 쟀고, `gamemode_stt`(LLM과 STT를 함께 켬, STT GPU·CPU)와 `gamemode_live`(실제 게임을 켬) 단계도 측정을 마쳤습니다(2026-11-10). 결과로 게임 중 최소 배치는 전문가 2GB로 정했고, 평소 배치에 STT 자리를 남기는 것과 게임 중 LLM이 답하는 동안 부분 전사 간격을 늘리는 것(게임이 없을 때는 그대로)도 정했습니다(사용자 결정, 2026-11-10). 이 둘은 `gamemode_tune` 단계로 다시 재는 중입니다. 측정 키트: [scripts/m0/](../../scripts/m0/README.md) |
| M1 | 음성 워커 | 화자별 스트리밍 STT(공용 모델, 배치), 문장 단위 TTS를 WebSocket으로 제공. 녹음 파일 10개 동시 입력 테스트 통과 |
| M2 | 디스코드 음성 코어 이전 | v1 봇 코드를 Electron 안으로 이전. 입장/퇴장, 화자별 수신, 재생, 정지 명령 동작. 채팅 채널 연결(읽기·보내기) |
| M3 | 두뇌 연결 | 기존 jarvis를 Ollama 대신 Strata 주소로 연결. 대화 기록 저장소와 지난 대화 전체 검색(본인 기록 + 등록한 채팅 채널 + 같은 음성 채널의 다른 사람 말). 채팅 채널 도구(읽기·검색·보내기·수정·반응·삭제·고정). 메모리, 날씨, 웹 검색, 식단, MCP 기존 테스트와 평가(evals) 통과 |
@@ -21,7 +21,7 @@ M0에서 확인할 항목:
- 화질 단계별 이미지 읽기 시간
- 한국어 품질
- 게임 모드 전환 시간, 모델 배치별 출력 속도·음성 첫 문장·남는 VRAM (`gamemode` 단계)
- LLM과 STT(10명 동시 전사)를 함께 켰을 때 남는 VRAM과 양쪽 속도, 게임 중 STT를 CPU로 옮겼을 때의 전사 시간 (`gamemode_stt` 단계), 실제 게임을 켠 채로 같은 측정 (`gamemode_live` 단계, 직접 실행), 평소 배치에 STT 자리를 남겼을 때와 LLM이 답하는 동안 부분 전사 간격을 늘렸을 때의 양쪽 속도 (`gamemode_tune` 단계)
- LLM과 STT(10명 동시 전사)를 함께 켰을 때 남는 VRAM과 양쪽 속도, 게임 중 STT를 CPU로 옮겼을 때의 전사 시간 (`gamemode_stt` 단계), 실제 게임을 켠 채로 같은 측정 (`gamemode_live` 단계, 직접 실행), 평소 배치에 STT 자리를 남겼을 때와 게임 중 배치에서 LLM이 답하는 동안 부분 전사 간격을 늘렸을 때의 양쪽 속도 (`gamemode_tune` 단계)
- faster-whisper turbo와 MeloTTS/CosyVoice2 속도
- 봇용 크롬창의 Alt+Tab 숨김과 디스코드 화면공유 목록 표시
- 디스코드 분리 화면공유 창 식별과, 가려졌을 때 영상이 멈추는지

View File

@@ -20,7 +20,7 @@
- **스트리밍 전사**: 말하는 동안 조각을 계속 전사해서, 말이 끝났을 때는 마지막 조각만 처리합니다.
- **종료 판정 단축**: 고정 0.8초 침묵 대기 대신 디스코드 speaking 종료 이벤트와 VAD를 같이 써서 250~400ms 안에 확정합니다(설정에서 조절).
- **2단 디코딩**: 부분 전사는 beam 1(빠름), 최종 전사는 beam 2~3(정확도)입니다.
- **LLM이 답하는 동안**: STT와 LLM은 같은 GPU를 씁니다. 10명이 쉬지 않고 말하며 부분 전사를 계속 돌리면 LLM 출력이 1/2.5~1/3로 줄었습니다(M0 `gamemode_stt`). 그래서 LLM이 답을 만드는 동안에는 부분 전사 간격을 늘리고(실시간 자막이 그만큼 늦게 바뀜), 말이 끝난 뒤의 최종 전사는 기다리지 않고 바로 처리합니다. 최종 전사가 부분 전사보다 먼저입니다. 간격(2초, 또는 답하는 동안 멈춤)은 M0 `gamemode_tune`으로 정합니다.
- **게임 중 LLM이 답하는 동안**: STT와 LLM은 같은 GPU를 씁니다. 10명이 쉬지 않고 말하며 부분 전사를 계속 돌리면 LLM 출력이 1/2.5~1/3로 줄었습니다(M0 `gamemode_stt`). 그래서 게임 중에 LLM이 답을 만드는 동안에는 부분 전사 간격을 늘리고(실시간 자막이 그만큼 늦게 바뀜), 말이 끝난 뒤의 최종 전사는 기다리지 않고 바로 처리합니다. 게임이 없을 때는 LLM이 답하는 동안에도 부분 전사를 그대로 합니다(사용자 결정, 2026-11-10). 최종 전사가 부분 전사보다 먼저입니다. 간격(2초, 또는 답하는 동안 멈춤)은 M0 `gamemode_tune`으로 정합니다.
- **호출어 힌트**: 등록한 호출어를 STT에 힌트로 넘겨 잘못 알아듣는 일을 줄입니다.
- **RealtimeSTT 사용 범위**: RealtimeSTT는 화자 하나에 인스턴스 하나 구조라 10명이면 모델을 10번 올립니다. 그래서 설계(부분/최종 전사, VAD 결합)만 참고하고, **모델 1개를 10명이 공유하는 배치 방식**으로 직접 구현합니다.
- **선택지**: 더 낮은 지연이 필요하면 sherpa-onnx 스트리밍 모델을 "초고속" 옵션으로 검토합니다(한국어 정확도 확인 후).

View File

@@ -37,7 +37,7 @@ LLM 단계는 8080 포트를 씁니다. 다른 프로그램이 이 포트를 쓰
| PC 제어 도구 | agent-desktop으로 계산기 버튼을 눌러 12+3=15가 나오는지, 테스트용 브라우저 창(새 임시 프로필)의 입력칸에 글자를 넣고 다시 읽히는지, 디스코드·탐색기 화면을 읽는 시간, 계속 켜 두는 방식(MCP)과 매번 실행하는 방식의 명령 한 번 시간 |
| 게임 중 자동 조절 | 이미 받은 Qwen3.6-35B-A3B를 평소 배치(동시 1개)와 게임 중 배치 3개(전문가 층 2GB 맥락 32K, 2GB 맥락 16K, 0GB 맥락 16K)로 차례로 다시 시작해서, 배치마다 전환 시간, 남는 VRAM, 출력 속도, 음성 첫 문장, 맥락 8천 토큰 첫 토큰 시간을 잽니다. 마지막에 평소 배치로 한 번 더 켜서 되돌리는 시간도 잽니다 |
| LLM과 음성 인식 함께 | 음성 인식(STT)을 먼저 켜 두고 LLM을 평소 배치(동시 1개, 2개)와 게임 중 배치(전문가 2GB·0GB, 맥락 16K)로 켭니다. LLM을 재는 동안 음성 인식은 10명 동시 전사를 계속 돌립니다. 게임 중 배치는 음성 인식을 GPU에 둔 경우와 CPU에 둔 경우를 둘 다 잽니다. 배치마다 남는 VRAM, LLM 속도, 10명 동시 전사 시간, 한 사람 전사 시간을 적습니다 |
| STT 자리와 부분 전사 간격 | 평소 배치를 STT 자리를 남긴 전문가 층 몫으로 켜고, STT를 쉬지 않고 돌릴 때, 부분 전사를 2초마다 할 때, 부분 전사 없이 최종 전사만 할 때를 잽니다. 게임 중 배치(전문가 2GB)도 뒤의 두 경우를 잽니다. 배치마다 남는 VRAM, LLM 속도, 최종 전사 시간과 기다린 시간, STT가 GPU를 쓴 비율을 적습니다 |
| STT 자리와 부분 전사 간격 | 평소 배치를 STT 자리를 남긴 전문가 층 몫으로 켜고 STT를 쉬지 않고 돌리며 잽니다. 게임 중 배치(전문가 2GB)는 STT를 쉬지 않고 돌릴 때, 부분 전사를 2초마다 할 때, 부분 전사 없이 최종 전사만 할 때를 잽니다(게임은 켜지 않음). 배치마다 남는 VRAM, LLM 속도, 최종 전사 시간과 기다린 시간, STT가 GPU를 쓴 비율을 적습니다 |
## 개인정보
@@ -68,7 +68,7 @@ LLM 단계는 8080 포트를 씁니다. 다른 프로그램이 이 포트를 쓰
`run_m0_gamemode.bat`을 더블클릭하면 게임 중 자동 조절 단계 두 개(`gamemode`, `gamemode_stt`)만 돕니다. 먼저 LLM만 배치 5개(평소, 게임 중 후보 3개, 다시 평소)로 재고, 이어서 음성 인식을 함께 켠 배치 6개를 잽니다. 모델은 이미 받아 둔 것을 쓰므로 새로 받지 않고(음성 인식 모델을 아직 안 받았으면 약 1.6GB를 받습니다), 20~30분 걸립니다. 그동안 게임이나 무거운 프로그램은 꺼 두시고 PC에 손대지 않으시면 됩니다.
`run_m0_gamemode_tune.bat`을 더블클릭하면 `gamemode_tune` 단계만 돕니다. 앞 측정에서 정한 두 가지를 확인합니다. (1) 평소 배치에 음성 인식(STT) 자리를 남겼을 때의 속도와 첫 토큰 시간입니다. LLM을 전문가 층 없이 한 번 켜서 기본 VRAM을 재고, STT가 10명 동시 전사 때 더 쓰는 VRAM과 여유분을 뺀 나머지를 전문가 층에 줍니다. (2) LLM이 답하는 동안 부분 전사를 2초마다 하거나 멈추고 최종 전사만 바로 할 때, LLM 속도와 최종 전사가 기다린 시간입니다. 평소 배치와 게임 중 배치(전문가 2GB)에서 잽니다. 이미 받은 모델을 쓰고 15~20분 걸립니다. 그동안 게임이나 무거운 프로그램은 꺼 두시고 PC에 손대지 않으시면 됩니다.
`run_m0_gamemode_tune.bat`을 더블클릭하면 `gamemode_tune` 단계만 돕니다. 앞 측정에서 정한 두 가지를 확인합니다. (1) 평소 배치에 음성 인식(STT) 자리를 남겼을 때의 속도와 첫 토큰 시간입니다. LLM을 전문가 층 없이 한 번 켜서 기본 VRAM을 재고, STT가 10명 동시 전사 때 더 쓰는 VRAM과 여유분을 뺀 나머지를 전문가 층에 줍니다. (2) 게임 중 배치(전문가 2GB)에서 LLM이 답하는 동안 부분 전사를 2초마다 하거나 멈추고 최종 전사만 바로 할 때, LLM 속도와 최종 전사가 기다린 시간입니다. 게임이 없을 때는 부분 전사를 줄이지 않으므로 평소 배치는 이 비교를 하지 않습니다. 게임은 켜지 않고 잽니다. 이미 받은 모델을 쓰고 10~15분 걸립니다. 그동안 게임이나 무거운 프로그램은 꺼 두시고 PC에 손대지 않으시면 됩니다.
`run_m0_game_live.bat`을 더블클릭하면 실제 게임을 켠 상태로 잽니다(`gamemode_live`). 게임을 창 모드로 켜고 플레이 화면까지 들어간 뒤 Enter를 누르고 15초 안에 게임으로 돌아가면 됩니다. 게임 중 배치 4개(전문가 2GB·0GB, 음성 인식 GPU·CPU)를 차례로 재고 10~15분 걸리며, 끝나면 알림음이 울립니다. 게임 화면이나 게임 이름은 저장하지 않고 VRAM 사용량과 속도만 적습니다. 그래픽 메모리를 많이 쓰는 게임이면 배치가 켜지지 않을 수 있는데, 그것도 결과로 적습니다.

View File

@@ -10,8 +10,8 @@ Options (--opt key=value):
only=together the same with the STT loaded next to it and transcribing ten
speakers at once, on the GPU and on the CPU (needs stt_python=)
only=live game placements and the STT while the user runs a real game
only=tune the normal placement with room left for the STT, and the STT
doing fewer partial passes while the LLM answers
only=tune the normal placement with room left for the STT, and in the game
placement the STT doing fewer partial passes while the LLM answers
stt_python=PATH the Python of the stt venv (m0.py passes it)
"""
@@ -106,8 +106,10 @@ LIVE = [lv for lv in TOGETHER if lv["key"].startswith("game_")]
# measures: one start without experts (with the STT loaded) gives what the LLM needs before any
# expert; the experts get what is left after the STT's ten-speaker growth and a margin.
# - The STT's partial passes took the GPU from the LLM (output 1/2.5 to 1/3). "stt_pace" is what
# the app would do while the LLM answers: a ten-speaker partial pass every 2 s, or none, and the
# finals at once. The LLM is measured the whole time, so the pace holds for the whole run.
# the app would do in a game while the LLM answers: a ten-speaker partial pass every 2 s, or
# none, and the finals at once. The LLM is measured the whole time, so the pace holds for the
# whole run. Without a game the STT keeps every partial (user decision), so only the game
# placement is paced; its back-to-back row is the baseline measured in the same run.
# The 2 GB expert placement is the game minimum on a 16 GB card (faster than 0 GB in a real game).
STT_ROOM_MARGIN_MIB = 768 # what Strata's qwen36 engine itself keeps free when it places experts
STT_GROWTH_FALLBACK_MIB = 1440 # M0 stt on the game PC: ten speakers at once over the loaded model
@@ -116,8 +118,7 @@ _FINALS_ONLY = {"partial_every": None, "final_every": 0.5}
_ROOM = {"parallel": 1, "vision": "gpu", "sets": ["prefill=2048"], "stt": "cuda", "stt_room": True}
TUNED = [
{"key": "normal_stt_room_stt_gpu", **_ROOM},
{"key": "normal_stt_room_partial_2s", **_ROOM, "stt_pace": _PARTIAL_2S},
{"key": "normal_stt_room_finals_only", **_ROOM, "stt_pace": _FINALS_ONLY},
{"key": "game_experts_2g_16k_stt_gpu", **_GAME, "context": 16384, "sets": _EXP2, "stt": "cuda"},
{"key": "game_experts_2g_16k_partial_2s", **_GAME, "context": 16384, "sets": _EXP2, "stt": "cuda",
"stt_pace": _PARTIAL_2S},
{"key": "game_experts_2g_16k_finals_only", **_GAME, "context": 16384, "sets": _EXP2, "stt": "cuda",

View File

@@ -983,12 +983,13 @@ def test_tune_stage_leaves_the_stt_room_in_the_normal_placement(tmp_path, monkey
for row in continuous:
assert llm.STT_ROOM_MARGIN_MIB <= row["vram_free_mib"] < llm.STT_ROOM_MARGIN_MIB + 2 * 103
assert row["stt_room"]["stt_growth_mib"] == llm.STT_GROWTH_FALLBACK_MIB
# The paces: back to back, fewer partials, finals only; in the normal and the 2 GB game placement.
paces = {(lv.get("stt_pace") or {}).get("partial_every", "continuous") for lv in normal}
assert paces == {"continuous", 2.0, None}
# Without a game the STT keeps every partial while the LLM answers (user decision); only the
# 2 GB game placement is measured back to back, with fewer partials and with finals only.
assert all(lv.get("stt_pace") is None for lv in normal)
game = [lv for lv in llm.TUNED if lv["key"].startswith("game_")]
assert game and all("expert-vram=2" in lv["sets"] for lv in game)
assert all(lv.get("stt_pace") for lv in game)
paces = {(lv.get("stt_pace") or {}).get("partial_every", "continuous") for lv in game}
assert paces == {"continuous", 2.0, None}
assert stt.paces == [lv.get("stt_pace") for lv in llm.TUNED]
assert stt.loaded is None and running["now"] is None