From d0938c10f9701cc4080197bab3cdd31cdf791174 Mon Sep 17 00:00:00 2001 From: javis-bot Date: Tue, 10 Nov 2026 23:52:57 +0900 Subject: [PATCH] docs(v2): record the 1 GB room for other programs and the 95 % GPU cap User decision (2026-11-10): the normal placement also subtracts a room for other programs (default 1 GB, a setting), and the service manager pauses the LLM engine and the voice worker together for 10 ms of every 200 ms (95 %, a setting, 100 % is off) in every stage. Both are to be measured with M0 gamemode_tune. Co-Authored-By: Claude Opus 5.5 --- docs/v2/decisions.md | 2 +- docs/v2/pc-features.md | 9 +++++---- docs/v2/roadmap.md | 2 +- 3 files changed, 7 insertions(+), 6 deletions(-) diff --git a/docs/v2/decisions.md b/docs/v2/decisions.md index 9eb4461..b2323fc 100644 --- a/docs/v2/decisions.md +++ b/docs/v2/decisions.md @@ -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. 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. 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). 모두 `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)) | diff --git a/docs/v2/pc-features.md b/docs/v2/pc-features.md index fe0e7d8..b9e8888 100644 --- a/docs/v2/pc-features.md +++ b/docs/v2/pc-features.md @@ -25,16 +25,17 @@ | 단계 | 언제 | LLM 배치 (다시 시작 필요) | 다시 시작 없이 바꾸는 것 | |---|---|---|---| -| 평소 | 게임이 없고 VRAM이 넉넉함 | 전문가 층의 VRAM 몫(`--expert-vram`)을 STT 몫을 남기고 계산해서 정함(아래 식, 게임용으로 비울 VRAM은 0). Strata 자동 배치는 STT 자리를 남기지 않아 쓰지 않음(아래 측정 결과). 이미지는 GPU로 읽기. 동시 요청 수는 [채팅 채널 설정](conversation.md#llm-동시-요청-수)을 따름: "모든 메시지에 대답" 채널이 하나라도 있으면 2개 이상(이 카드에 맞는 수, 최소 2개), 없으면 1개(하나씩 보면 더 빠름) | 화면 캡처 미리 준비(말하는 중), 화질 보통, 지난 대화 약 8천 토큰 | +| 평소 | 게임이 없고 VRAM이 넉넉함 | 전문가 층의 VRAM 몫(`--expert-vram`)을 STT 몫과 다른 프로그램용 여유(기본 1GB)를 남기고 계산해서 정함(아래 식, 게임용으로 비울 VRAM은 0). Strata 자동 배치는 STT 자리를 남기지 않아 쓰지 않음(아래 측정 결과). 이미지는 GPU로 읽기. 동시 요청 수는 [채팅 채널 설정](conversation.md#llm-동시-요청-수)을 따름: "모든 메시지에 대답" 채널이 하나라도 있으면 2개 이상(이 카드에 맞는 수, 최소 2개), 없으면 1개(하나씩 보면 더 빠름) | 화면 캡처 미리 준비(말하는 중), 화질 보통, 지난 대화 약 8천 토큰 | | 게임 중 | 게임을 감지했거나, 다른 프로그램이 VRAM을 써서 남은 VRAM이 "게임용으로 비울 VRAM"보다 적음 | 전문가 층의 VRAM 몫(`--expert-vram`)을 줄여 "게임용으로 비울 VRAM"(기본 8GB)을 비움. 나머지 전문가 층은 RAM에서 CPU로 계산. 동시 요청 1개(채팅 채널 설정과 상관없이), 이미지는 CPU로 읽기, 엔진 CPU 작업자는 절반(16코어 PC에서 8개), 맥락 16K. 대화 메모리 형식(`--kv`)과 MTP 끄기는 이 엔진에서 VRAM을 줄이지 않아 쓰지 않음(아래 측정 결과) | 캡처 미리 준비 끔, 화질 빠름(긴 변 768px), 지난 대화 약 4천 토큰 | | 일시정지 | 사용자가 켠 경우(기본 꺼짐), 또는 이 PC에서 최소 배치로도 게임 몫을 비울 수 없을 때 | LLM을 멈춤 | 게임 중에는 대답하지 않음 | ### PC마다 값을 계산 -- **배치는 계산해서 정함**: 전문가 층 VRAM 몫 = 그래픽카드 VRAM − 게임용으로 비울 VRAM − 다른 프로그램이 이미 쓰는 VRAM − STT 몫(약 2.7GB: 모델 1.3GB와 10명 동시 전사 때 늘어나는 1.44GB, M0 `stt` 실측) − 엔진 기본 버퍼 − 여유분(768MiB, 엔진이 스스로 남기는 양과 같음). 평소 배치도 같은 식이고 게임용으로 비울 VRAM만 0입니다(사용자 결정, 2026-11-10). 엔진 기본 버퍼는 첫 실행 자가 점검에서 전문가 층 없이 한 번 켜서 잽니다. 정해 둔 숫자가 아니라 이 식으로 구하므로 VRAM이 작은 PC에도 같은 규칙이 맞습니다. +- **배치는 계산해서 정함**: 전문가 층 VRAM 몫 = 그래픽카드 VRAM − 게임용으로 비울 VRAM − 다른 프로그램이 이미 쓰는 VRAM − STT 몫(약 2.7GB: 모델 1.3GB와 10명 동시 전사 때 늘어나는 1.44GB, M0 `stt` 실측) − 엔진 기본 버퍼 − 여유분(768MiB, 엔진이 스스로 남기는 양과 같음). 평소 배치도 같은 식이고, 게임용으로 비울 VRAM 대신 다른 프로그램용 여유(기본 1GB)를 뺍니다(사용자 결정, 2026-11-10). 이 여유는 나중에 켜는 브라우저 영상 같은 프로그램 몫이고, 이미 켜져 있는 프로그램은 "다른 프로그램이 이미 쓰는 VRAM"으로 따로 빠집니다. 게임 중에는 게임용으로 비울 VRAM이 이 역할을 하므로 다른 프로그램용 여유를 따로 빼지 않습니다. 엔진 기본 버퍼는 첫 실행 자가 점검에서 전문가 층 없이 한 번 켜서 잽니다. 정해 둔 숫자가 아니라 이 식으로 구하므로 VRAM이 작은 PC에도 같은 규칙이 맞습니다. - **게임 중 최소 배치는 전문가 2GB입니다**(사용자 결정, 2026-11-10). 전문가 몫에는 긴 프롬프트용 버퍼 1.1GiB가 먼저 들어가므로 2GB는 전문가를 실제로 올리는 가장 작은 값이고, 실제 게임 중에는 0GB보다 출력이 1.5~2.1배 빨랐습니다(아래 측정 결과). 0GB는 2GB로는 게임 몫이 0 이하가 되는 PC에서만 일시정지 전 마지막 단계로 씁니다. - **몫이 최소 배치보다 작을 때**: 계산한 몫이 최소 배치(전문가 2GB)보다 작으면, 몫을 늘려 게임 몫을 침범하지 않습니다. 대신 게임용으로 비울 VRAM을 "그래픽카드 VRAM − 다른 프로그램 − STT 몫 − 엔진 기본 버퍼 − 최소 배치"까지 줄이고, 대시보드와 게임 모드 설정 화면에 "이 PC에서는 게임에 X GB까지만 비울 수 있음"을 표시합니다. 이렇게 줄인 값이 0 이하이면(예: 8GB 그래픽카드에서 다른 프로그램이 이미 많이 씀) 게임 중에는 LLM을 멈추고 일시정지 단계로 갑니다. 게임 중 일시정지를 꺼 두었어도 마찬가지이고, 그 이유를 대시보드에 표시합니다. 게임이 끝나면 되돌리기 규칙대로 돌아옵니다. - **첫 실행 자가 점검**: 설치가 끝나면 평소·게임 중 배치로 각각 30초씩 출력 속도와 음성 첫 문장 시간을 잽니다. 평소 배치가 기준(출력 30 tok/s, 음성 첫 문장 0.7초)에 못 미치는 PC는 평소에도 동시 요청 1개, 이미지 CPU 읽기, 지난 대화 약 4천 토큰으로 시작합니다. 게임 중 배치가 기준에 못 미치면 대시보드와 설정 화면에 "게임 중에는 답이 느릴 수 있음"을 표시합니다. +- **GPU 사용률 제한(기본 95%)**: Jarvis가 GPU 계산 시간을 다 차지하지 않도록, 앱(서비스 관리자)이 LLM 엔진과 음성·두뇌 워커를 200ms마다 함께 10ms씩 멈췄다가 다시 돌립니다(Windows 프로세스 일시정지, 사용자 결정, 2026-11-10). 평소와 게임 중 모두 적용합니다. GPU는 한 프로그램에 계산 시간의 일부만 주도록 정할 수 없어서 이렇게 시간으로 나눕니다. 둘을 같은 순간에 멈춰야 그 틈에 다른 프로그램이 GPU를 씁니다. 답이 약 5% 느려질 것으로 봅니다(추정). 이미 GPU에 넘긴 계산은 멈춘 동안에도 끝까지 돌므로, 실제로 비는 시간과 속도 손해, 멈췄다 돌려도 엔진과 STT가 문제없는지는 M0 `gamemode_tune`으로 잽니다. 설정에서 50~100%로 바꿀 수 있고 100%는 끔입니다. - **실행 중 감시**: 대시보드가 이미 재는 단계별 지연을 씁니다. 음성 첫 문장이 최근 5번 중 3번 이상 0.7초를 넘으면 다시 시작 없이 바꿀 수 있는 것부터 낮춥니다: 지난 대화 양 → 화질 → 캡처 미리 준비. 10분 동안 기준 안에 들면 하나씩 되돌립니다. 다시 시작이 필요한 배치 변경은 게임 감지와 VRAM 부족 때만 합니다. ### 전환 규칙 @@ -43,7 +44,7 @@ - **채팅 채널 설정을 바꿀 때**: 동시 요청 수가 바뀌는 변경(첫 "모든 메시지에 대답" 채널을 켜거나 마지막 하나를 끔)은 LLM을 다시 시작해야 합니다. 게임 시작과 같이 지금 하던 답이 끝난 뒤 다시 시작하고, 그동안 들어온 요청은 대기열에 둡니다. 게임 중에는 다시 시작하지 않고 게임이 끝나 평소 배치로 돌아갈 때 함께 반영합니다. - **되돌리기**: 게임이 끝나고 30초 뒤(설정에서 조절), VRAM 부족은 해소된 상태가 60초 이어진 뒤 평소 배치로 돌아갑니다. 게임을 껐다 바로 다시 켤 때 모델을 반복해서 옮기지 않기 위해서입니다. - **표시**: 대시보드에 "성능 단계: 게임 중 (발로란트 감지)", 전환 중에는 "모델 배치 바꾸는 중"을 표시합니다. -- **설정**: GUI에서 바꾸는 것은 게임 감지 켜기/끄기, 게임용으로 비울 VRAM, 되돌리기 대기 시간, 게임 중 일시정지 켜기/끄기뿐입니다. +- **설정**: GUI에서 바꾸는 것은 게임 감지 켜기/끄기, 게임용으로 비울 VRAM, 다른 프로그램용 여유 VRAM(평소, 기본 1GB), GPU 사용률 제한(기본 95%), 되돌리기 대기 시간, 게임 중 일시정지 켜기/끄기뿐입니다. - **엔진이 실행 중 VRAM 줄이기를 지원하면**: Strata 0.1.59의 qwen36 엔진은 실행 중 VRAM 줄이기(`POST /v1/vram`)를 지원하지 않아 다시 시작합니다. 지원하는 버전이 나오면 다시 시작 없이 바로 줄이는 방식으로 바꾸고 다시 잽니다. ### 측정 결과 (M0 `gamemode`, 2026-11-10, RTX 5070 Ti 16GB, Ryzen 9 9950X3D) @@ -111,7 +112,7 @@ LLM과 STT를 함께 켠 측정(M0 `gamemode_stt`, 게임 없음). STT를 먼저 - **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 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. +- **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)). 다른 프로그램용 여유 1GB까지 빼면 이 PC에서는 식으로 약 2GB가 나와 전문가 2GB 배치(74 tok/s) 근처의 속도가 될 것으로 봅니다(추정, 여유 없이 계산하면 2~3GB, 자동 배치 혼자일 때 97 tok/s). 첫 토큰 지연이 줄어드는지와 실제 속도, 실제로 남는 VRAM은 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). diff --git a/docs/v2/roadmap.md b/docs/v2/roadmap.md index 7be5755..a2ff68e 100644 --- a/docs/v2/roadmap.md +++ b/docs/v2/roadmap.md @@ -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 게임 중 배치에서 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 자리와 다른 프로그램용 여유 1GB를 남겼을 때, 게임 중 배치에서 LLM이 답하는 동안 부분 전사 간격을 늘렸을 때, GPU 사용률을 95%로 제한했을 때의 양쪽 속도와 실제 GPU 사용률 (`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