docs: локальный LLM на 2× RTX 3060

History/local-llm-setup.md

@@ -0,0 +1,39 @@
+# Локальный LLM на 2× RTX 3060 (24 ГБ суммарно)
+
+Дата: 28.06.2026
+
+## Железо
+
+2× NVIDIA RTX 3060 (12 ГБ каждая), без NVLink, PCIe.
+
+## Что влезает
+
+| Модель | Квантизация | Память | Куда | Скорость | Приоритет |
+|--------|------------|--------|------|----------|-----------|
+| 7-9B | Q4/Q5 | ~6 ГБ | 1 карта | Быстро | Классификация, извлечение |
+| 14B | Q4 | ~8-9 ГБ | **1 карта** | 15-30 ток/с | Основная рабочая |
+| 32B | Q4 | ~18-20 ГБ | Сплит на 2 карты | Медленно | Максимальное качество |
+
+## Важно про две карты
+
+- Сплит модели на 2 карты через PCIe (без NVLink) — часто **медленнее** чем та же модель на одной.
+- **Лучший расклад:** 14B на одной карте, вторая — на параллелизм (два документа одновременно) или под отдельную модель (мелкая на classify, 14B на diff).
+
+## Движок
+
+- **llama.cpp (GGUF)** или **ExLlamaV2** — оптимальны для consumer-карт без NVLink.
+- vLLM/TGI — выше throughput, но больше VRAM-запас, на 12 ГБ тесно.
+
+## Засады
+
+- `max_tokens=8000` — большая спецификация = длинный ответ = сотни секунд. Чанковать.
+- Конкурентность: 1-2 запроса параллельно. Не для многопользовательской нагрузки.
+- Точность чисел: подстраховать арифметикой + UNRESOLVED.
+
+## Рекомендация
+
+**Qwen2.5-14B или Qwen3-14B в Q4/Q5 на одной 3060** — уверенно тянет весь пайплайн для несложных документов. Проверить на testgen/.
+
+## Сейчас
+
+api.aillm.ru (gpt-oss-120b, бесплатно). Код готов к смене LLM через `llm_client.py` DI.