개발자가 llama.cpp에서 추측 디코딩(speculative decoding)이라는 속도 향상 기법을 사용하여 Gemma 4 31B IT와 Qwen 3.5 27B 두 가지 대규모 언어 모델을 테스트한 경험이 있는지 커뮤니티에 묻고 있습니다. 어떤 크기의 작은 드래프트 모델이 가장 잘 작동하는지, 그리고 실제로 성능 향상을 경험했는지 알고 싶어 합니다. Qwen 3.5가 llama.cpp의 추측 디코딩에서 제대로 작동하는지에 대한 의문도 있는 것 같습니다.
Microsoft의 TRELLIS.2를 PyTorch MPS를 통해 Apple Silicon에서 실행되도록 포팅했습니다. 원본은 CUDA 전용 컴파일 확장 5개(flex_gemm, flash_attn, o_voxel, cumesh, nvdiffrast)에 의존하는데 Mac에는 대응 버전이 없습니다. 처음부터 대체 백엔드를 작성했습니다: 순수 PyTorch 희소 3D 합성곱(flex_gemm 대체), 공간 해싱을 사용한 Python 메시 추출(o_voxel의 CUDA 해시맵 연산 대체), 희소 Transformer용 SDPA 어텐션(flash_attn 대체), GPU 가속 삼선형 보간(cumesh와 nvdiffrast 대체)입니다.
마이크로소프트의 TRELLIS.2(40억 파라미터 이미지-3D 모델)를 PyTorch MPS를 통해 Apple Silicon에서 네이티브로 실행하도록 포팅했습니다. 원본은 CUDA, flash_attn, nvdiffrast, 커스텀 희소 합성곱 커널이 필요한데 Mac에서는 작동하지 않습니다. CUDA 특화 연산을 순수 PyTorch 대안으로 교체했습니다. 구체적으로는 gather-scatter 희소 3D 합성곱, 희소 Transformer용 SDPA 어텐션, CUDA 해시맵 연산을 대체하는 Python 기반 메시 추출입니다. 총 9개 파일에서 수백 줄의 변경사항이 있습니다.
M5 Pro 머신에 24GB 메모리를 갖춘 사용자가 Ollama를 통해 Qwen 3.6 대형언어모델(LLM)을 실행하려고 합니다. Q4 양자화(4비트 양자화) 버전을 사용해야 할지 확실하지 않고, 적절한 Q3 양자화 솔루션을 찾지 못했습니다. 자신의 하드웨어에서 부드럽게 작동하면서도 모델 품질을 과도하게 손상시키지 않는 버전에 대한 추천을 찾고 있습니다.