# 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.