docs(v2): compare the paused-partials result only with the 2 s pace
The 64.9 tok/s game-placement run was compared with the 64.4 tok/s normal-placement run, which uses different expert, context and image settings. Compare it only with the 2 s pace of the same placement, and state that the final transcription in the kit is one fixed sample at beam 1, so the real beam 2-3 / long-utterance final latency with paused partials is still unmeasured (to be measured in M1). Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
@@ -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. 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. 평소 배치는 다른 프로그램용 여유 VRAM 1GB를 더 남기고(설정에서 바꿈), Jarvis의 GPU 사용률은 95%로 제한함: LLM 엔진과 음성 워커를 200ms마다 함께 10ms씩 멈춤(사용자 결정, 2026-11-10, 영상을 볼 여유를 위해). `gamemode_tune` 측정 결과(2026-11-11): 평소 배치는 식으로 전문가 1.5GB가 나왔고 STT가 VRAM을 가장 많이 쓸 때도 1.8GB가 남았으며 맥락 첫 토큰은 7.5초에서 1.9초로 줄었음(LLM만 64.4 tok/s). 게임 중 LLM이 답하는 동안에는 부분 전사를 멈춤: 멈추면 64.9 tok/s로 STT가 없을 때와 같았고, 2초 간격은 37.5 tok/s에 음성 첫 문장 0.89초로 기준을 넘었음. GPU 95% 제한은 멈춘 시간 5.2%를 지켰지만 nvidia-smi 사용률이 내려가지 않았고(96→98%, 40→39%) 출력만 6~10% 느려져서 계속 쓸지는 사용자 결정 대기. 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. 평소 배치는 다른 프로그램용 여유 VRAM 1GB를 더 남기고(설정에서 바꿈), Jarvis의 GPU 사용률은 95%로 제한함: LLM 엔진과 음성 워커를 200ms마다 함께 10ms씩 멈춤(사용자 결정, 2026-11-10, 영상을 볼 여유를 위해). `gamemode_tune` 측정 결과(2026-11-11): 평소 배치는 식으로 전문가 1.5GB가 나왔고 STT가 VRAM을 가장 많이 쓸 때도 1.8GB가 남았으며 맥락 첫 토큰은 7.5초에서 1.9초로 줄었음(LLM만 64.4 tok/s). 게임 중 LLM이 답하는 동안에는 부분 전사를 멈춤: 2초 간격은 37.5 tok/s에 음성 첫 문장 0.89초로 기준을 넘었고, 멈추면 64.9 tok/s, 0.55초였음. 부분 전사를 멈췄을 때 beam 2~3 최종 전사와 긴 말의 실제 지연은 미검증. GPU 95% 제한은 멈춘 시간 5.2%를 지켰지만 nvidia-smi 사용률이 내려가지 않았고(96→98%, 40→39%) 출력만 6~10% 느려져서 계속 쓸지는 사용자 결정 대기. 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)) |
|
||||
|
||||
|
||||
@@ -132,7 +132,8 @@ LLM과 STT를 함께 켠 측정(M0 `gamemode_stt`, 게임 없음). STT를 먼저
|
||||
| 게임 중 | 최종 전사만 | 없음 | 64.9 | 0.55초 | 1.2초 | 78% | 3.5GB |
|
||||
|
||||
- **평소 배치의 STT 자리와 여유 1GB는 계산대로 남습니다.** STT가 10명 동시 전사로 VRAM을 가장 많이 쓸 때도 1.8GB가 남았고(여유 1GB와 엔진 여유분 768MiB를 더한 값과 같음), 맥락 첫 토큰은 자동 배치 때의 7.5초에서 1.9초로 줄었습니다. 대신 LLM만 돌 때 출력은 64.4 tok/s로 자동 배치(85.0)보다 느리지만 기준(30 tok/s, 0.7초) 안입니다. 전문가 몫이 1.5GB라 이전 추정(약 2GB, 74 tok/s)보다 조금 작게 나왔습니다.
|
||||
- **게임 중 LLM이 답하는 동안 부분 전사를 멈추면 STT가 없을 때와 같은 속도가 나옵니다**(64.9 tok/s, 음성 첫 문장 0.55초). 2초 간격은 37.5 tok/s, 0.89초로 음성 첫 문장 기준(0.7초)을 넘고, 최종 전사가 부분 전사 뒤에서 기다리는 시간도 중앙값 0.13초, 최대 1.2초였습니다(멈추면 0.001초). 말이 끝난 뒤 한 번에 받아 적어도 한 사람 전사는 0.13초입니다. 그래서 게임 중에는 답하는 동안 부분 전사를 멈춥니다. 그동안은 GUI 실시간 자막이 바뀌지 않습니다.
|
||||
- **게임 중 LLM이 답하는 동안 부분 전사를 멈추면 2초 간격보다 훨씬 빠릅니다**(37.5→64.9 tok/s, 음성 첫 문장 0.89→0.55초). 2초 간격은 음성 첫 문장 기준(0.7초)을 넘고, 최종 전사가 부분 전사 뒤에서 기다리는 시간도 중앙값 0.13초, 최대 1.2초였습니다(멈추면 0.001초). 그래서 게임 중에는 답하는 동안 부분 전사를 멈춥니다. 그동안은 GUI 실시간 자막이 바뀌지 않습니다. 같은 게임 중 배치를 STT 없이 잰 값은 이번 측정에 없습니다(이전 `gamemode` 측정은 74.3 tok/s였지만 다른 실행이라 바로 비교하지 않음).
|
||||
- **부분 전사를 멈췄을 때의 실제 최종 전사 지연은 아직 재지 않았습니다.** 이번 키트의 최종 전사는 4~5초짜리 고정 샘플 하나를 beam 1로 받아 적은 것(중앙값 0.13초)입니다. 설계의 최종 전사는 beam 2~3이고, 부분 전사 없이 긴 말을 한 번에 받아 적는 경우도 재지 않았습니다. 이 지연은 M1 음성 워커를 만들 때 잽니다.
|
||||
- **GPU 95% 제한은 GPU를 비우지 못했습니다.** 엔진과 STT는 200ms마다 정한 대로 멈췄고(멈춘 시간 5.2%, 다시 돌리기 실패 0번) 둘 다 오류 없이 이어서 돌았습니다. 하지만 사용률은 내려가지 않았고, 95%를 넘은 표본 비율도 51%(평소, STT 쉬지 않음)로 남았습니다. 출력은 6~10% 느려졌습니다(64.4→59.5, 24.8→23.4, 37.5→33.7 tok/s). 세 번만 잰 값이라 속도 차이에는 흔들림이 있습니다. LLM만 돌 때는 제한이 없어도 사용률 중앙값이 40%라 GPU가 이미 비어 있습니다.
|
||||
- **평소에 여러 명이 쉬지 않고 말하면 음성 첫 문장이 기준을 넘습니다**(1.27초, 출력 24.8 tok/s). 게임이 없을 때는 부분 전사를 줄이지 않기로 했으므로(사용자 결정, 2026-11-10) 이 최악의 경우에는 답이 늦어집니다.
|
||||
|
||||
|
||||
@@ -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.
|
||||
- **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 전사를 멈추고(그동안 실시간 자막이 바뀌지 않음), 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. 멈추기로 한 것은 M0 `gamemode_tune` 측정 결과입니다(2026-11-11): 멈추면 LLM 출력이 STT가 없을 때와 같았고(64.9 tok/s, 음성 첫 문장 0.55초), 2초 간격은 37.5 tok/s, 0.89초에 최종 전사 대기가 최대 1.2초였습니다([pc-features.md](pc-features.md#자동-조절-측정-m0-gamemode_tune-2026-11-11)).
|
||||
- **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 전사를 멈추고(그동안 실시간 자막이 바뀌지 않음), 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. 멈추기로 한 것은 M0 `gamemode_tune` 측정 결과입니다(2026-11-11): 2초 간격은 37.5 tok/s, 음성 첫 문장 0.89초에 최종 전사 대기가 최대 1.2초였고, 멈추면 64.9 tok/s, 0.55초였습니다. 부분 전사를 멈췄을 때 beam 2~3 최종 전사와 긴 말의 실제 지연은 아직 재지 않았습니다([pc-features.md](pc-features.md#자동-조절-측정-m0-gamemode_tune-2026-11-11)).
|
||||
- **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).
|
||||
|
||||
Reference in New Issue
Block a user