உள்ளூர் பெரிய மொழி மாதிரிகள் (Local large language models) தொடக்கத்தில் மின்னல் வேகத்தில் இயங்குவது போல் தோன்றும். நீங்கள் ஒரு 7B அல்லது 13B அளவுரு கொண்ட மாதிரியை (model) ஏற்றும்போது, ஒரு சிறிய தூண்டுதலை (prompt) வழங்கினால், டோக்கன்கள் (tokens) திரையில் மிகத் தடையின்றி பாயும். ஆனால், நீங்கள் ஒரு நீண்ட குறியீட்டுத் தொகுப்பையோ (code block) அல்லது உங்கள் உரையாடல் வரலாறு பல சுற்றுகளாக நீண்டு கொண்டே போகும்போதோ, மாதிரியின் வேகம் குறையத் தொடங்கும். இந்த வேகம் குறைவது மெதுவாக நடப்பதில்லை; அது ஒரு திடீர் சரிவு (cliff) போன்றது. ஒரு கணத்தில் GPU டோக்கன்களை வேகமாக உருவாக்கித் தரும்; அடுத்த கணமே, உங்கள் சிஸ்டம் மானிட்டரில் நினைவக அழுத்தம் (memory pressure) அதிகரிப்பதையும், டோக்கன் உருவாக்கம் தட்டுத்தடுமாறுவதையும் காண்பீர்கள். இது எப்போது நடக்கும் என்பதை ஒரு துல்லியமான சூத்திரத்தைக் கொண்டு கணிக்க முடியாது. உங்கள் வன்பொருள் (hardware) மட்டுமே இதற்கான ஒரே நம்பகமான வழிகாட்டி.
சூழலின் மறைமுகச் செலவு (The Hidden Cost of Context)
நீங்கள் உருவாக்கும் ஒவ்வொரு டோக்கனும் KV cache-இல் ஒரு நிலையை (state) சேர்க்கிறது. இந்த cache, prefill மற்றும் generation நிலைகளின் போது கணக்கிடப்பட்ட keys மற்றும் values-களைச் சேமிக்கிறது. இது உங்கள் model weights, attention buffers மற்றும் runtime overhead ஆகியவற்றுடன் நினைவகத்தில் (memory) இருக்கும். 12 GB அல்லது 16 GB VRAM கொண்ட ஒரு சாதாரண நுகர்வோர் GPU-வில், KV cache இறுதியில் மற்ற அனைத்தோடும் இடத்திற்காகப் போட்டியிடும். பிரத்யேக வீடியோ நினைவகம் (dedicated video memory) நிறைந்தவுடன், இயங்குதளம் (operating system) பிழையைக் காட்டி நின்றுவிடாது. மாறாக, அது அந்தத் தரவை அமைதியாகப் பகிரப்பட்ட நினைவகத்திற்கு (shared memory) மாற்றும், இதனால் GPU மற்றும் system RAM இடையே PCIe bus வழியாகத் தரவுகள் பரிமாறப்படும். அந்த bus கோப்புப் பரிமாற்றங்களுக்கு (file transfers) வேகமானதுதான், ஆனால் ஒரு கிராபிக்ஸ் கார்டின் உள்ளே இருக்கும் memory bandwidth உடன் ஒப்பிடும்போது அது மிகவும் மெதுவானது. இதன் விளைவு என்பது செயல்திறனில் ஏற்படும் ஒரு சிறிய சரிவு அல்ல; அது ஒரு முழுமையான வீழ்ச்சி.
அந்தச் சரிவு வந்துவிட்டதற்கான மூன்று அறிகுறிகள்
மாதிரி இயங்கும்போது உங்கள் வன்பொருள் மானிட்டர்களைக் கவனியுங்கள். செயல்திறன் சரிவு ஏற்படும்போது மூன்று தெளிவான அறிகுறிகளைக் காண்பீர்கள்.
- Shared VRAM உயர்கிறது. இது GPU driver, பிரத்யேக வீடியோ RAM-லிருந்து எடுத்து host operating system நிர்வகிக்கும் தொகுப்பிற்கு (pool) மாற்றிய நினைவகம் ஆகும். இந்த அளவீடு பூஜ்ஜியத்திற்கு மேல் உயர்ந்த அடுத்த கணமே, நீங்கள் அந்த எல்லையைத் தாண்டிவிட்டீர்கள் என்று அர்த்தம்.
- System RAM பயன்பாடு அதிகரிக்கிறது. அந்தத் தரவு எங்காவது சேமிக்கப்பட வேண்டும், அதன் இடம் உங்கள் முதன்மை நினைவகம் (main memory) தான். மாதிரி டோக்கன்களை உருவாக்கும்போது உங்கள் RAM பயன்பாடு அதிகரித்தால், தரவுகள் GPU-விலிருந்து வெளியேற்றப்படுகின்றன (offloaded) என்று அர்த்தம்.
- Eval வேகம் பாதியாக அல்லது அதற்கு மேல் குறைகிறது. 10% வேகம் குறைவது thermal throttling அல்லது பின்னணிச் செயல்பாடுகளால் இருக்கலாம். ஆனால் 50% அல்லது அதற்கு மேற்பட்ட வீழ்ச்சி ஏற்பட்டால், அதன் பொருள் தடையானது (bottleneck) tensor cores-லிருந்து memory bandwidth மற்றும் PCIe latency-க்கு மாறியுள்ளது என்பதாகும். உருவாக்கம் இரட்டை இலக்க வேகத்திலிருந்து ஒற்றை இலக்க வேகத்திற்குத் தள்ளுவதைக் கண்டால், நீங்கள் ஏற்கனவே அந்தச் சரிவில் விழுந்துவிட்டீர்கள் என்று அர்த்தம்.
உங்கள் விரைவான பெஞ்ச்மார்க் (Benchmark) ஏன் தவறான தகவலைத் தரக்கூடும்?
ஒரு சிறிய சோதனை (smoke test) உங்களுக்குத் தவறான நம்பிக்கையைத் தரும். நீங்கள் நூறு டோக்கன்கள் கொண்ட ஒரு prompt மூலம் மாதிரியைப் பெஞ்ச்மார்க் செய்து, நல்ல வேகத்தைக் கண்டு திருப்தி அடைந்தால், நீங்கள் அதன் ஆரம்பக்கால இனிமையான நிலையை (honeymoon phase) மட்டுமே அளவிட்டுள்ளீர்கள். அப்போது KV cache கிட்டத்தட்ட காலியாக இருக்கும். நீண்ட prefill மூலம் அடுக்குகளுக்கு (layers) அழுத்தம் கொடுக்கப்பட்டிருக்காது. மாதிரி ஒரு பெரிய prompt-ஐச் செயலாக்கி, cache அதன் உண்மையான பயன்பாட்டு அளவிற்குத் தரம் வாய்ந்த பிறகுதான் அதன் உண்மையானத் தேவை வெளிப்படும். நீங்கள் ஆழமான prefill மற்றும் நீண்ட generation ஓட்டங்களுடன் சோதிக்க வேண்டும். சூழல் (context) உண்மையில் சேர அனுமதிக்கவும். அப்போதுதான் நினைவக அழுத்தம் நிலைபெற்று, அதன் உண்மையான எல்லையைக் காட்டும்.
llama.cpp மூலம் உங்கள் எல்லையைக் கண்டறிதல்
நீங்கள் llama.cpp மூலம் மாதிரிகளை இயக்கினால், எளிய கணக்கீடுகள் மற்றும் பொறுமையான சோதனை மூலம் உங்கள் எல்லையைக் கண்டறியலாம்.
1. Shared memory பயன்பாட்டைக் கணக்கிடுங்கள்.
ஒரு சிறிய prompt மூலம் உங்கள் அடிப்படை (baseline) பிரத்யேக VRAM அளவைச் சேகரிக்கவும், பின்னர் ஒரு நீண்ட சூழல் சார்ந்த பணியைச் (long-context task) செய்து அதன் உச்ச அளவைக் (peak) குறித்துக் கொள்ளவும். உச்ச அளவிலிருந்து அடிப்படையைக் கழிக்கவும். அந்த வித்தியாசம் தான் உங்கள் GPU-விலிருந்து பகிரப்பட்ட system memory-க்கு மாற்றப்பட்ட அளவு.
2. உங்கள் RAM மாற்றத்தைக் (delta) கணக்கிடுங்கள்.
System RAM-க்கும் இதே subtraction முறையைப் பயன்படுத்தவும். நீண்ட ஓட்டத்தின் போது உச்ச RAM-லிருந்து உங்கள் அடிப்படை RAM-ஐக் கழிக்கவும். இந்த எண், வீடியோ கார்டிலிருந்து உங்கள் முதன்மை நினைவகத்திற்கு எவ்வளவு தரவு தள்ளப்பட்டுள்ளது என்பதைத் துல்லியமாகக் கூறும். இது bus வழியாக ஏற்படும் தரவு கசிவை (leak) அளவிடுகிறது.
3. Eval வேக வீழ்ச்சியை நேரத்தைக் கொண்டு அளவிடுங்கள்.
மாதிரி ஒரு நீண்ட ஆவணத்தைச் செயலாக்கிய பிறகு கிடைக்கும் tokens-per-second வேகத்திற்கும், உங்கள் அடிப்படை வேகத்திற்கும் இடையே ஒப்பீடு செய்யவும். சூழல் புதிதாக இருக்கும்போது ஒரு மாதிரி ஒரு வினாடிக்கு பதினேழு டோக்கன்களைத் தடையின்றித் தரும், ஆனால் cache அதிகரித்த பிறகு ஒரு வினாடிக்கு இரண்டு டோக்கன்களை மட்டுமே தரும். அந்த பதினைந்து டோக்கன்களின் வீழ்ச்சியே உங்களுக்கு வரும் ஆபத்தின் எச்சரிக்கை மணி.
முறிவுப் புள்ளியைக் கண்டறிதல் (Triangulating the Breaking Point)
To map the curve accurately, do not settle for one lonely data point. Run three distinct trials at 16,000 tokens, 32,000 tokens, and 65,000 tokens. Two points might suggest a line, but two dots are just a guess. The third point proves whether you are looking at measurement noise or a real memory wall. Subtract the results between runs to calculate how much extra memory each additional thousand tokens consumes on your specific combination of model, quantization layer, and GPU.
Once you have that slope, you can project forward. Take your per-token cost, multiply it by the target context length, divide by 1024 to move between units, and add the result to your base model VRAM load. The equation looks like this:
Model VRAM load + (tokens × memory per token ÷ 1024) = Theoretical VRAM usage
This projection is not prophecy. It is a guidepost derived from actual behavior. Use it to estimate your ceiling before you commit to a full production run.
Why Paper Formulas Fail, and What Quantization Can Fix
Textbook formulas ignore the messy reality of local inference. Different architectures allocate attention buffers differently. Your operating system reserves VRAM for the display driver, compositor, and CUDA context. Driver versions change how aggressively they use shared memory. A theoretical equation cannot know how much VRAM is actually free on your machine at 2:00 PM with a browser full of tabs open. You have to run the model on your specific hardware and watch the meters.
Quantization offers partial relief. Moving the KV cache from f16 to q8_0 halves its memory footprint while keeping precision high enough for nearly all practical tasks. That change buys you headroom. It does not grant immunity. The cache still grows linearly with every token you feed in. Eventually, even the reduced size overwhelms your available dedicated memory and the spillover to system RAM begins. The pressure only stops when the context window is capped or the data stops moving.
The Real Takeaway
Do not trust marketing slides, parameter counts, or back-of-the-envelope math. Load the model. Open your system monitor. Run a 65,000-token thread, watch the RAM climb, and count the tokens per second. The numbers that appear on your specific screen, on your specific GPU, are the only numbers that matter. Context always wins. Your job is to know exactly when it wins on your machine.