llama.cpp KV 캐시 양자화: q8_0 처리량 손실이 9%에서 22%로 커지는 이유

llama.cpp KV 캐시 양자화: q8_0 처리량 손실이 9%에서 22%로 커지는 이유

앞 글은 llama-bench로 쟀고, 마지막에 제가 직접 적어 둔 한계가 있었습니다. 배치 1에 단일 스트림이라 동시 요청을 받는 서버는 대역폭 그림이 다르다는 것이었습니다. 그 문장이 이 글의 질문입니다.

llama.cpp kv cache quantization을 검색해 들어오시는 분들은 대개 llama-bench를 돌리는 게 아닙니다. 동시 슬롯을 가진 llama-server를 띄워 두고 -ctk q8_0 -ctv q8_0이 거기서 얼마를 가져가는지 알고 싶은 상황입니다. 답은 숫자 하나가 아니었습니다. 같은 카드에서 같은 설정이 어떤 워크로드에서는 처리량의 9%를, 다른 워크로드에서는 22%를 가져갔습니다. 차이를 만든 것은 요청마다 생성하는 토큰 수였습니다.

앞 글과 같은 카드, 같은 모델, 같은 빌드라서 두 글의 숫자를 나란히 놓을 수 있습니다.

측정 환경

A100 80GB PCIe 한 장, 드라이버 535. llama.cpp 본류 ggml-org master 69320fe(2026-09-02), sm80 CUDA 빌드로 앞 글과 같은 커밋입니다. 모델은 Qwen3-8B Q4_K_M. 모든 서버는 -fa 1 -ngl 99 --no-context-shift로 띄우고 -np로 슬롯 수를, -c로 슬롯 수 곱하기 슬롯당 컨텍스트를 줬습니다. 프롬프트는 같은 문장을 반복한 합성 텍스트이고, 서버 토크나이저로 길이를 재서 잘랐기 때문에 모든 KV 타입이 같은 프롬프트 길이를 받습니다.

부하는 직접 만든 asyncio 클라이언트가 겁니다. -np개의 스트리밍 요청을 동시에 열고 temperature 0에 cache_prompt false라서 요청마다 프리필을 전부 치릅니다. 워밍업 라운드는 한 번 돌리고 버립니다.

세 지표는 서로 바꿔 쓸 수 없어서 정의를 적어 둡니다.

• TTFT는 요청을 보낸 시각부터 content가 실린 첫 SSE 메시지가 도착한 시각까지입니다.
• 스트림당 속도는 요청마다 첫 content 메시지부터 마지막 content 메시지까지의 시간을 메시지 수에서 1을 뺀 값으로 나눠 구합니다. 그렇게 나온 요청별 값의 중앙값을 역수로 바꾼 것입니다. 요청별 속도의 중앙값이 아닙니다.
• 처리량은 모든 요청의 생성 토큰 합을 벽시계 시간으로 나눈 값이라, 아직 아무것도 생성되지 않는 프리필 구간을 포함합니다.

토큰 수는 서버가 종료 메시지에 싣는 timings.predicted_n을 씁니다. 여기 실린 33개 설정 전부에서 클라이언트가 센 content 메시지 수가 이 값과 정확히 일치했으므로, 둘이 같은 것을 토큰으로 세고 있습니다. 서버는 predicted_per_second도 함께 보고하는데 이 값에는 네트워크와 클라이언트 스케줄링이 빠져 있습니다. 동시 1개일 때는 클라이언트 값과 0.1 tok/s 안에서 만나고, 슬롯 4개일 때는 4~9% 높게 나옵니다. 클라이언트가 떠안은 스케줄링 지연을 서버는 세지 않기 때문입니다.

타입은 f16, q8_0, q4_0 셋만 다룹니다. 앞 글에서 q5_1과 K q8_0 / V q4_0 혼합은 8K 프리필이 초당 43토큰과 63토큰으로 나왔고 f16은 4,539토큰이었습니다. 그동안 GPU 사용률은 2~4%에 머물렀습니다. 그때도 원인을 밝히지 못했고 이번에도 밝히지 못했습니다.

토큰당 디코드는 llama-bench와 같습니다

두 도구가 서로 다른 경로로 재기 때문에 이것부터 맞춰 봤습니다. 동시 요청 1개일 때 스트림당 생성 속도입니다.

• 프롬프트 8K: f16 129.3, q8_0 107.7(83%), q4_0 104.8 tok/s(81%)
• 프롬프트 32K: f16 101.3, q8_0 66.7(66%), q4_0 62.6 tok/s(62%)

앞 글의 llama-bench 디코드는 같은 깊이에서 8K일 때 134.4 / 110.2(82%) / 107.2(80%), 32K일 때 105.0 / 68.0(65%) / 63.6(61%)이었습니다. 비율이 1퍼센트포인트 안에서 겹칩니다. 서로 다른 바이너리를 서로 다른 하네스로 쟀는데 같은 값이 나왔습니다. 어느 쪽 수치를 근거로 삼아도 된다는 뜻입니다.

단위를 한 번 짚고 가겠습니다. 32K에서 q8_0은 f16 속도의 66%로 도는데, 이것을 시간으로 바꾸면 같은 토큰 수를 만드는 데 약 52% 더 걸린다는 뜻입니다. 34%가 아닙니다. 속도와 소요 시간은 서로 역수라서, 두 숫자는 같은 사실을 다르게 말한 것입니다.

서버가 잃는 것은 그보다 훨씬 적습니다

같은 실행을 서버 관점으로 보면 다릅니다. 총 생성 토큰을 벽시계로 나눈 값, 그러니까 이 장비가 시간당 몇 건을 처리하느냐입니다. f16 대비 q8_0의 비율입니다.

• 프롬프트 2,048에 출력 128: 슬롯 1개에서 92%, 4개에서 94%, 16개에서 91%, 32개에서 90%
• 프롬프트 8,192에 출력 128: 각각 92%, 94%, 92%
• 프롬프트 32,768에 출력 128: 각각 91%, 94%

시간으로 52%까지 벌어지는 토큰당 페널티가 처리량에서는 6~9%로 나타납니다. 이유는 시계에 그대로 있습니다. 32K 프롬프트에 출력 128토큰, 슬롯 1개에서 f16은 첫 토큰까지 10.04초, 나머지를 만드는 데 1.26초를 썼습니다. q8_0은 10.49초와 1.90초였습니다. 프리필이 0.45초, 생성이 0.64초 늘어 요청 전체가 11.3초에서 12.4초가 됐습니다. 프리필이 더 큰 몫인데 가장 적게 움직입니다. 캐시를 쌓아 가며 읽지, 매 스텝마다 전체를 다시 읽지 않기 때문입니다.

여기서 잰 출력 128토큰 설정, 그러니까 2K 프롬프트에서 슬롯 1~32개, 8K에서 1~16개, 32K에서 1~4개 전 범위에서 비율은 90~94%에 머물렀고 동시성에 따른 추세가 없었습니다. 다만 이것은 잰 범위 안에서 효과가 보이지 않았다는 뜻이지, 더 높은 동시성이나 더 긴 프롬프트에서도 없다는 증거는 아닙니다. 슬롯 32개는 2K 프롬프트에서만 쟀습니다.

TTFT는 가깝지만 같지는 않습니다. 동시 1개일 때는 모든 프롬프트 길이에서 세 타입이 0.5초 안에 들어옵니다. 8K 프롬프트에 슬롯 16개가 되면 더 벌어져서 f16 17.60초, q8_0 17.94초로 0.34초 차이가 납니다.

출력 길이가 숫자를 움직입니다

위 계산대로라면 생성이 요청에서 차지하는 몫이 커질수록 페널티도 커져야 합니다. 그래서 추정하지 않고 돌렸습니다. 같은 32K 프롬프트에 출력만 128에서 1,024토큰으로 올린 결과입니다.

• 슬롯 1개: f16 50.7, q8_0 39.4(78%), q4_0 38.0 tok/s(75%)
• 슬롯 4개: f16 60.6, q8_0 46.3(76%), q4_0 44.6 tok/s(74%)

같은 32K 입력에서 답변을 128토큰에서 1,024토큰으로 늘리자 처리량 손실이 6~9%에서 22~26%로 커졌습니다. 이 곡선 위에서 제가 가진 것은 점 두 개이지 임계점이 아닙니다. 출력 대 입력이 1대256일 때 9% 안팎이고 1대32일 때 22% 안팎이라는 것까지입니다. 어느 지점에서 감당 한도를 넘는지는 각자의 비율로 재 보셔야 합니다.

스트림당 수치는 두 경우에서 다르게 움직입니다. 출력 128토큰에 슬롯 4개나 16개면 84~88%로 읽히는데, 같은 설정을 슬롯 1개로 돌리면 62~66%입니다. 출력 1,024토큰에서는 슬롯 1개와 4개 모두 62~66%입니다. 짧은 출력 실행은 슬롯마다 프리필이 어긋나 있는 동안 1~2초만 생성하므로, 재는 구간 자체가 짧고 다른 슬롯의 프리필과 겹칩니다. 반복 실행이나 스케줄러 추적을 하지 않았으므로 차이를 기술할 수는 있어도 원인을 지목할 수는 없습니다.

차이가 큰 쪽은 메모리입니다

서버가 정상 응답을 시작한 직후, 부하를 걸기 전에 카드에서 읽은 VRAM 사용량입니다. 가중치 4.68 GiB를 포함합니다. 부하가 도는 동안 0.5초 간격으로 표본을 떠도 이 값들이 14 MiB 넘게 움직이지 않았습니다. llama.cpp가 캐시를 시작할 때 전부 할당하므로 예상되는 결과입니다.

• 슬롯당 4,096에 슬롯 32개: f16 23.0 GiB, q8_0 15.0, q4_0 10.5
• 슬롯당 16,384에 슬롯 16개: f16 41.0 GiB, q8_0 25.1, q4_0 16.1
• 슬롯당 65,536에 슬롯 4개: f16 41.0 GiB, q8_0 25.1, q4_0 16.1

절감은 슬롯 수 곱하기 컨텍스트, 그러니까 총 캐시 크기에 비례합니다. 64K 슬롯 4개에서 q8_0은 f16보다 15.9 GiB를, q4_0은 24.9 GiB를 덜 잡습니다. A100 80GB로 8B 모델을 서빙하는 한 위 세 줄 중 어느 것도 한도 근처가 아닙니다. f16으로 슬롯 32개를 띄워도 23.0 GiB입니다. 이 장비에서는 메모리가 제약이 아니라는 뜻입니다. 41 GiB가 들어가지 않는 카드라면 같은 세 줄은 속도 문제가 아니라 수용량 문제가 됩니다. 다만 저는 이 카드에서만 쟀습니다.

무엇을 켤 것인가

f16 캐시가 여유 있게 들어가면 f16을 그대로 두십시오. 부족하지도 않은 메모리를 얻자고 출력 길이에 따라 처리량 6~26%를 내는 셈입니다.

들어가지 않으면 -ctk q8_0 -ctv q8_0부터 시도하십시오. 앞 글에서 측정한 모든 컨텍스트 길이에서 퍼플렉시티가 f16 오차 범위 안에 있었고, 여기서 처리량도 어느 설정에서나 q4_0과 1퍼센트포인트 안에서 같습니다. q4_0은 64K 슬롯 4개에서 9.0 GiB를 더 덜어내고 앞 글에서 퍼플렉시티를 0.5~1.1% 냈습니다. 그 9 GiB가 설정이 올라가느냐 마느냐를 가를 때만 고를 이유가 있습니다.

요청이 긴 답변을 생성한다면 자기 워크로드의 출력 대 입력 비율을 먼저 재 보십시오. 9%라는 값은 32K 프롬프트에 128토큰 답변의 것입니다.

이 측정이 보여주지 못하는 것

카드 한 장, 모델 하나, 가중치 양자화 하나입니다. Qwen3-8B는 KV 헤드 8개의 4대1 GQA를 쓰는데, KV 헤드가 많은 모델은 토큰당 캐시가 크니 페널티도 함께 커질 법합니다. 다만 재 보지 않았습니다. 프롬프트는 슬롯마다 똑같은 합성 텍스트라 실제 트래픽과 다르고, cache_prompt false로 접두사 재사용도 껐는데 진짜 서버라면 그 이득을 받습니다. 모든 실행이 -np개 요청을 한 번에 몰아넣는 방식이라 대기열 동작이 없고 인용할 만한 p99도 없습니다. 각 설정은 워밍업을 버린 뒤 한 번씩만 돌렸으므로 인접한 행 사이의 작은 차이는 구분할 수 없습니다.

그리고 이것은 sm80에서의 커밋 69320fe 이야기입니다. 양자화 KV 디코드 경로는 두 글 전에 잰 포크와 이 커밋 사이에 두 배쯤 빨라졌습니다. 이 비율도 또 움직일 겁니다.

새 실측은 Paper of the Week와 함께 매주 나갑니다. 다음 편을 받고 싶으시면 아래에서 구독해 주십시오.

환경: A100 80GB PCIe 1장(두 번째 카드는 유휴), 드라이버 535. llama.cpp 69320fe(ggml-org master, 2026-09-02), sm80 CUDA 빌드. Qwen3-8B Q4_K_M, llama-server -fa 1 -ngl 99 --no-context-shift. 하네스는 scripts/bench-llamacpp-server.sh와 scripts/bench-server-client.py, 요청별 원시 JSON과 서버 timings, VRAM 표본은 drafts/llamacpp-server-kv-bench/에 있습니다. 2026-09-17 검증.