Inicio>Relacionado con la programación>Otro código fuente
Descargar

GPU-Benchmarks-on-LLM-Inferencia

¿Varias GPU NVIDIA o Apple Silicon para inferencia de modelos de lenguaje grande? ?

Descripción

Utilice llama.cpp para probar la velocidad de inferencia de los modelos LLaMA de diferentes GPU en RunPod, MacBook Air M1 de 13 pulgadas, MacBook Pro M1 Max de 14 pulgadas, M2 Ultra Mac Studio y MacBook Pro M3 Max de 16 pulgadas para LLaMA 3.

Descripción general

Velocidad promedio (tokens/s) de generación de 1024 tokens mediante GPU en LLaMA 3. Cuanto más alta sea la velocidad, mejor.

GPU 8B Q4_K_M 8B F16 70B Q4_K_M 70B F16
3070 8GB 70,94 OOM OOM OOM
3080 10GB 106.40 OOM OOM OOM
3080Ti 12GB 106,71 OOM OOM OOM
4070Ti 12GB 82.21 OOM OOM OOM
4080 16GB 106.22 40.29 OOM OOM
RTX 4000 Ada 20GB 58,59 20,85 OOM OOM
3090 24GB 111,74 46,51 OOM OOM
4090 24GB 127,74 54,34 OOM OOM
RTX 5000 Ada 32GB 89,87 32,67 OOM OOM
3090 24 GB * 2 108.07 47,15 16.29 OOM
4090 24 GB * 2 122,56 53,27 19.06 OOM
RTX A6000 48GB 102.22 40.25 14.58 OOM
RTX 6000 Ada 48GB 130,99 51,97 18.36 OOM
A40 48GB 88,95 33,95 12.08 OOM
L40S 48GB 113.60 43,42 15.31 OOM
RTX 4000 Cada 20GB * 4 56.14 20,58 7.33 OOM
A100 PCIe 80GB 138.31 54,56 22.11 OOM
A100 SXM 80GB 133,38 53.18 24.33 OOM
H100 PCIe 80GB 144,49 67,79 25.01 OOM
3090 24 GB * 4 104,94 46,40 16,89 OOM
4090 24 GB * 4 117,61 52,69 18.83 OOM
RTX 5000 Cada 32GB * 4 82,73 31,94 11.45 OOM
3090 24 GB * 6 101.07 45,55 16,93 5.82
4090 24 GB * 8 116.13 52.12 18,76 6.45
RTX A6000 48 GB * 4 93,73 38,87 14.32 4.74
RTX 6000 Ada 48GB * 4 118,99 50.25 17,96 6.06
A40 48 GB * 4 83,79 33.28 11.91 3,98
L40S 48 GB * 4 105,72 42,48 14,99 5.03
A100 PCIe 80GB * 4 117,30 51,54 22,68 7.38
A100 SXM 80GB * 4 97,70 45,45 19.60 6,92
H100 PCIe 80GB * 4 118.14 62,90 26.20 9.63
GPU M1 de 7 núcleos y 8 GB 9,72 OOM OOM OOM
GPU M1 Máx. de 32 núcleos y 64 GB 34,49 18.43 4.09 OOM
GPU M2 Ultra de 76 núcleos y 192 GB 76,28 36,25 12.13 4.71
GPU M3 Máx. de 40 núcleos y 64 GB 50,74 22.39 7.53 OOM

Un promedio de 1024 tokens solicita velocidad de evaluación (tokens/s) por GPU en LLaMA 3.

GPU 8B Q4_K_M 8B F16 70B Q4_K_M 70B F16
3070 8GB 2283.62 OOM OOM OOM
3080 10GB 3557.02 OOM OOM OOM
3080Ti 12GB 3556.67 OOM OOM OOM
4070Ti 12GB 3653.07 OOM OOM OOM
4080 16GB 5064.99 6758.90 OOM OOM
RTX 4000 Ada 20GB 2310.53 2951.87 OOM OOM
3090 24GB 3865.39 4239.64 OOM OOM
4090 24GB 6898.71 9056.26 OOM OOM
RTX 5000 Ada 32GB 4467.46 5835.41 OOM OOM
3090 24 GB * 2 4004.14 4690.50 393,89 OOM
4090 24 GB * 2 8545.00 11094.51 905.38 OOM
RTX A6000 48GB 3621.81 4315.18 466,82 OOM
RTX 6000 Ada 48GB 5560.94 6205.44 547.03 OOM
A40 48GB 3240.95 4043.05 239,92 OOM
L40S 48GB 5908.52 2491.65 649.08 OOM
RTX 4000 Cada 20GB * 4 3369.24 4366.64 306.44 OOM
A100 PCIe 80GB 5800.48 7504.24 726,65 OOM
A100 SXM 80GB 5863.92 681,47 796,81 OOM
H100 PCIe 80GB 7760.16 10342.63 984.06 OOM
3090 24 GB * 4 4653.93 5713.41 350.06 OOM
4090 24 GB * 4 9609.29 12304.19 898.17 OOM
RTX 5000 Cada 32GB * 4 6530.78 2877,66 541.54 OOM
3090 24 GB * 6 5153.05 5952.55 739.40 927.23
4090 24 GB * 8 9706.82 11818.92 1336.26 1890.48
RTX A6000 48 GB * 4 5340.10 6448.85 539.20 792.23
RTX 6000 Ada 48GB * 4 9679.55 12637.94 714,93 1270.39
A40 48 GB * 4 4841.98 5931.06 263,36 900.79
L40S 48 GB * 4 9008.27 2541.61 634.05 1478.83
A100 PCIe 80GB * 4 8889.35 11670.74 978.06 1733.41
A100 SXM 80GB * 4 7782.25 674.11 539.08 1834.16
H100 PCIe 80GB * 4 11560.23 15612.81 1133.23 2420.10
GPU M1 de 7 núcleos y 8 GB 87,26 OOM OOM OOM
GPU M1 Máx. de 32 núcleos y 64 GB 355.45 418.77 33.01 OOM
GPU M2 Ultra de 76 núcleos y 192 GB 1023.89 1202.74 117,76 145,82
GPU M3 Máx. de 40 núcleos y 64 GB 678.04 751.49 62,88 OOM

Modelo

Gracias a Shawwn por los pesos del modelo LLaMA (7B, 13B, 30B, 65B): llama-dl. Accede a LLaMA 2 desde Meta AI. Accede a LLaMA 3 desde Meta Llama 3 en Hugging Face o en mis repositorios de Hugging Face: Xiongjie Dai.

Uso

Construir

  • Para las GPU NVIDIA, esto proporciona aceleración BLAS utilizando los núcleos CUDA de su GPU Nvidia: 

     ! make clean && LLAMA_CUBLAS=1 make -j

  • Para Apple Silicon, Metal está habilitado de forma predeterminada: 

     ! make clean && make -j

Completar texto

Use el argumento -ngl 0 para usar solo la CPU para inferencia y -ngl 10000 para garantizar que todas las capas se descarguen a la GPU. 

 ! ./main -ngl 10000 -m ./models/8B-v3/ggml-model-Q4_K_M.gguf --color --temp 1.1 --repeat_penalty 1.1 -c 0 -n 1024 -e -s 0 -p " " " 
First Citizen:nn 
Before we proceed any further, hear me speak.nn 
nn 
All:nn 
Speak, speak.nn 
nn 
First Citizen:nn 
You are all resolved rather to die than to famish?nn 
nn 
All:nn 
Resolved. resolved.nn 
nn 
First Citizen:nn 
First, you know Caius Marcius is chief enemy to the people.nn 
nn 
All:nn 
We know't, we know't.nn 
nn 
First Citizen:nn 
Let us kill him, and we'll have corn at our own price. Is't a verdict?nn 
nn 
All:nn 
No more talking on't; let it be done: away, away!nn 
nn 
Second Citizen:nn 
One word, good citizens.nn 
nn 
First Citizen:nn 
We are accounted poor citizens, the patricians good. What authority surfeits on would relieve us: if they would yield us but the superfluity, 
while it were wholesome, we might guess they relieved us humanely; but they think we are too dear: the leanness that afflicts us, the object of 
our misery, is as an inventory to particularise their abundance; our sufferance is a gain to them Let us revenge this with our pikes, 
ere we become rakes: for the gods know I speak this in hunger for bread, not in thirst for revenge.nn 
nn 
" " "

Nota: Para Apple Silicon, verifique el recommendedMaxWorkingSetSize en el resultado para ver cuánta memoria se puede asignar en la GPU y mantener su rendimiento. En este momento, solo el 70% de la memoria unificada se puede asignar a la GPU en el M1 Max de 32 GB, y esperamos alrededor del 78% de la memoria utilizable para la GPU en una memoria más grande. (Fuente: https://developer.apple.com/videos/play/tech-talks/10580/?time=346) Para utilizar toda la memoria, use -ngl 0 para usar solo la CPU para inferencia. (Gracias a: ggerganov/llama.cpp#1826)

¿Plantilla de chat para LLaMA 3? 

 ! ./main -ngl 10000 -m ./models/8B-v3-instruct/ggml-model-Q4_K_M.gguf --color -c 0 -n -2 -e -s 0 --mirostat 2 -i --no-display-prompt --keep -1 
-r ' <|eot_id|> ' -p ' <|begin_of_text|><|start_header_id|>system<|end_header_id|>nnYou are a helpful assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>nnHi!<|eot_id|><|start_header_id|>assistant<|end_header_id|>nn ' 
--in-prefix ' <|start_header_id|>user<|end_header_id|>nn ' --in-suffix ' <|eot_id|><|start_header_id|>assistant<|end_header_id|>nn '

Punto de referencia 

 ! ./llama-bench -p 512,1024,4096,8192 -n 512,1024,4096,8192 -m ./models/8B-v3/ggml-model-Q4_K_M.gguf

Requisitos totales de VRAM

Modelo Tamaño cuantificado (Q4_K_M) Tamaño original (f16)
8B 4,58GB 14,96GB
70B 39,59GB 131,42GB

Puede estimar el requisito de VRAM utilizando esta herramienta: Calculadora de RAM LLM

Mesa de perplejidad en LLaMA 3 70B

Menos perplejidad es mejor. (crédito a: drranger003)

Cuantización Tamaño (GiB) Perplejidad (wiki.test) Delta (FP16)
IQ1_S 14.29 9,8655 +/- 0,0625 248,51%
IQ1_M 15.60 8,5193 +/- 0,0530 201,94%
IQ2_XXS 17,79 6,6705 +/- 0,0405 135,64%
IQ2_XS 19,69 5,7486 +/- 0,0345 103,07%
IQ2_S 20,71 5,5215 +/- 0,0318 95,05%
Q2_K_S 22,79 5,4334 +/- 0,0325 91,94%
IQ2_M 22.46 4,8959 +/- 0,0276 72,35%
Q2_K 24,56 4,7763 +/- 0,0274 68,73%
IQ3_XXS 25,58 3,9671 +/- 0,0211 40,14%
IQ3_XS 27.29 3,7210 +/- 0,0191 31,45%
Q3_K_S 28,79 3,6502 +/- 0,0192 28,95%
IQ3_S 28,79 3,4698 +/- 0,0174 22,57%
IQ3_M 29,74 3,4402 +/- 0,0171 21,53%
Q3_K_M 31,91 3,3617 +/- 0,0172 18,75%
Q3_K_L 34,59 3,3016 +/- 0,0168 16,63%
IQ4_XS 35.30 3,0310 +/- 0,0149 7,07%
IQ4_NL 37.30 3,0261 +/- 0,0149 6,90%
Q4_K_S 37,58 3,0050 +/- 0,0148 6,15%
Q4_K_M 39,60 2,9674 +/- 0,0146 4,83%
Q5_K_S 45.32 2,8843 +/- 0,0141 1,89%
Q5_K_M 46,52 2,8656 +/- 0,0139 1,23%
P6_K 53,91 2,8441 +/- 0,0138 0,47%
Q8_0 69,83 2,8316 +/- 0,0138 0,03%
F16 131,43 2,8308 +/- 0,0138 0,00%

Puntos de referencia

TG significa "generación de texto" y PP significa "procesamiento rápido". # para el total de tokens generados/procesados. OOM significa sin memoria. Velocidad media en tokens/s.

LLAMA 3???:

GPU para juegos NVIDIA (SO: Ubuntu 22.04.2 LTS, pytorch:2.2.0, py: 3.10, cuda: 12.1.1 en RunPod) (instantáneas de mayo de 2024)

GPU Modelo tg 512 tg 1024 tg 4096 tg 8192 págs. 512 págs. 1024 págs. 4096 págs. 8192
3070 8GB 8B Q4_K_M 72,79 70,94 67.01 61,64 2402.51 2283.62 1826.59 1419.97
3080 10GB 8B Q4_K_M 109,57 106.40 98,67 89,90 3728.86 3557.02 2852.06 2232.21
3080Ti 12GB 8B Q4_K_M 110.60 106,71 98,34 88,63 3690.30 3556.67 2947.11 2381.52
4070Ti 12GB 8B Q4_K_M 83,50 82.21 78,59 73,46 3936.29 3653.07 2729.71 2019.71
4080 16GB 8B Q4_K_M 108.15 106.22 100.44 93,71 5389.74 5064.99 3790.96 2882.03
8B F16 40,58 40.29 39,44 OOM 7246.97 6758.90 4720.22 OOM
3090 24GB 8B Q4_K_M 115,42 111,74 97,31 87,49 4030.40 3865.39 3169.91 2527.40
8B F16 47,40 46,51 44,79 42,62 4444.65 4239.64 3410.47 2667.14
4090 24GB 8B Q4_K_M 130,58 127,74 119,44 110.66 7138.99 6898.71 5265.68 4039.68
8B F16 54,84 54,34 52,63 50,88 9382.00 9056.26 6531.36 4744.18
3090 24 GB * 2 8B Q4_K_M 111,67 108.07 99,60 90,77 3336.37 4004.14 4013.34 3433.59
8B F16 47,72 47,15 45,56 43,61 4122.66 4690.50 4788.60 3851.37
70B Q4_K_M 16.57 16.29 15.36 14.34 357,32 393,89 379,52 338,82
4090 24 GB * 2 8B Q4_K_M 124,65 122,56 114,32 106.18 7003.51 8545.00 8422.04 6895.68
8B F16 53,64 53,27 51,64 49,83 9177.92 11094.51 10329.29 8067.29
70B Q4_K_M 19.22 19.06 18.54 17,92 839.43 905.38 846.38 723.24
3090 24 GB * 4 8B Q4_K_M 108,66 104,94 97.09 88,35 3742.66 4653.93 5826.91 4913.40
8B F16 47.07 46,40 44,76 42,81 4608.40 5713.41 6596.17 5361.52
70B Q4_K_M 17.07 16,89 16.24 15.39 300.79 350.06 367,75 331,37
4090 24 GB * 4 8B Q4_K_M 120.32 117,61 110.52 103.13 6748.96 9609.29 12491.10 10993.75
8B F16 53.10 52,69 51.00 49.21 8750.57 12304.19 15143.84 12919.74
70B Q4_K_M 19,80 18.83 18.35 17.66 834,74 898.17 839,97 718.01
3090 24 GB * 6 8B Q4_K_M 104.17 101.07 94.06 85,93 3359.99 5153.05 7690.65 7084.44
8B F16 46.23 45,55 43,99 42.15 3875.97 5952.55 9437.91 8780.49
70B Q4_K_M 17.09 16,93 16.32 15.45 456,95 739.40 786,79 695,44
70B F16 5.85 5.82 5.76 5.53 579.00 927.23 998,79 813.99
4090 24 GB * 8 8B Q4_K_M 118.09 116.13 108.37 100,95 6172.06 9706.82 15089.45 13802.08
8B F16 52,51 52.12 50,39 48,72 7889.26 11818.92 16462.18 14300.98
70B Q4_K_M 18,94 18,76 18.23 17.57 812.95 1336.26 1488.36 1320.36
70B F16 6.47 6.45 6.39 6.31 1183.87 1890.48 2311.43 1995.85

GPU profesionales NVIDIA (SO: Ubuntu 22.04.2 LTS, pytorch:2.2.0, py: 3.10, cuda: 12.1.1 en RunPod) (instantáneas de mayo de 2024)

GPU Modelo tg 512 tg 1024 tg 4096 tg 8192 págs. 512 págs. 1024 págs. 4096 págs. 8192
RTX 4000 Ada 20GB 8B Q4_K_M 59,15 58,59 55,94 52,39 2451.93 2310.53 1798.01 1337.15
8B F16 20,92 20,85 20,50 20.01 3121.67 2951.87 2200.58 1557.00
RTX 5000 Ada 32GB 8B Q4_K_M 91,39 89,87 85.01 80.00 4761.12 4467.46 3272.94 2422.33
8B F16 32,84 32,67 32.04 31.27 6160.57 5835.41 4008.30 2808.89
RTX A6000 48GB 8B Q4_K_M 105.39 102.22 94,82 86,73 3780.55 3621.81 2917.23 2292.61
8B F16 40,71 40.25 39.14 37,73 4511.02 4315.18 3365.79 2566.46
70B Q4_K_M 14.71 14.58 14.09 13.42 482.19 466,82 404.61 340.73
RTX 6000 Ada 48GB 8B Q4_K_M 133,44 130,99 120,74 111,57 5791.74 5560.94 4495.19 3542.57
8B F16 52,32 51,97 50.21 48,79 6663.13 6205.44 4969.46 3915.81
70B Q4_K_M 18.52 18.36 17,80 16,97 565,98 547.03 481.59 419,76
A40 48GB 8B Q4_K_M 91,27 88,95 83.10 76,45 3324.98 3240.95 2586.50 2013.34
8B F16 34.26 33,95 33.06 31,93 4203.75 4043.05 3069.98 2295.02
70B Q4_K_M 11.60 12.08 11.68 11.26 209.38 239,92 268,89 291.13
L40S 48GB 8B Q4_K_M 115.55 113.60 105.50 97,98 6035.24 5908.52 4335.18 3192.70
8B F16 43,69 43,42 42.22 41.05 2253.93 2491.65 2887.70 3312.16
70B Q4_K_M 15.46 15.31 14,92 14.45 673,63 649.08 542.29 446,48
RTX 4000 Cada 20GB * 4 8B Q4_K_M 56,64 56.14 53,58 50.19 2413.07 3369.24 4404.45 3733.15
8B F16 20,65 20,58 20.24 19,74 3220.21 4366.64 5366.39 4323.70
70B Q4_K_M 7.36 7.33 7.12 6.84 282,28 306.44 290.70 243.45
A100 PCIe 80GB 8B Q4_K_M 140,62 138.31 127,22 117,60 5981.04 5800.48 4959.84 4083.37
8B F16 54,84 54,56 53.02 51.24 7741.34 7504.24 6137.54 4849.11
70B Q4_K_M 22.31 22.11 20.93 19.53 744.12 726,65 653.20 573,95
A100 SXM 80GB 8B Q4_K_M 135.04 133,38 125.09 115,92 5947.64 5863.92 5121.60 4137.08
8B F16 53,49 53.18 52.03 50,52 603.76 681,47 866.13 1323.07
70B Q4_K_M 24,61 24.33 22,91 21.32 817,58 796,81 714.07 625,66
H100 PCIe 80GB 8B Q4_K_M 145,55 144,49 136.06 126,83 8125.45 7760.16 6423.31 5185.03
8B F16 68.03 67,79 65,97 63,55 10815.51 10342.63 8106.53 6191.45
70B Q4_K_M 25.03 25.01 23,82 22.39 1012.73 984.06 863.37 741,52
RTX 5000 Cada 32GB * 4 8B Q4_K_M 84.07 82,73 78,45 74.11 4671.34 6530.78 8004.94 6790.82
8B F16 32.10 31,94 31.32 30,58 2427.96 2877,66 3836.89 5235.00
70B Q4_K_M 11.51 11.45 11.24 10.94 502.37 541.54 504.23 424.29
RTX A6000 48 GB * 4 8B Q4_K_M 96,48 93,73 87,72 80,88 3712.99 5340.10 7126.45 6438.82
8B F16 39.34 38,87 37,81 36,51 4508.60 6448.85 8327.16 7298.18
70B Q4_K_M 14.44 14.32 13.91 13.32 496.08 539.20 511.22 434.31
70B F16 4.76 4.74 4.70 4.63 510.31 792.23 751.37 748.06
RTX 6000 Ada 48GB * 4 8B Q4_K_M 121.21 118,99 110.65 103.18 6640.86 9679.55 11734.85 10278.14
8B F16 50,61 50.25 48,69 47.18 8953.30 12637.94 13971.34 11702.36
70B Q4_K_M 18.13 17,96 17.49 16,89 656,61 714,93 697.10 612.54
70B F16 6.08 6.06 6.01 5.94 864.12 1270.39 1363,75 1182.28
A40 48 GB * 4 8B Q4_K_M 85,91 83,79 78,56 72,70 3321.27 4841.98 6442.38 5742.84
8B F16 33,60 33.28 32,42 31.38 4144.88 5931.06 7544.92 6516.60
70B Q4_K_M 11,99 11.91 11.60 11.17 236,86 263,36 300.57 312.31
70B F16 3,99 3,98 3.95 3.90 610.51 900.79 893.28 735.16
L40S 48 GB * 4 8B Q4_K_M 107,53 105,72 98,59 92.20 6125.69 9008.27 10566.97 9017.90
8B F16 42,70 42,48 41.33 40.19 2211.45 2541.61 3093.33 4336.81
70B Q4_K_M 15.12 14,99 14.63 14.17 591.05 634.05 605.66 541,67
70B F16 5.05 5.03 4,99 4.94 1042.13 1478.83 1427.77 1150.63
A100 PCIe 80GB * 4 8B Q4_K_M 119.28 117,30 110,75 103,87 6076.58 8889.35 12724.54 11803.39
8B F16 51,63 51,54 50.20 48,73 8088.79 11670.74 16025.11 14269.17
70B Q4_K_M 22,91 22,68 21.41 19,96 771,28 978.06 1138.60 1043.15
70B F16 7.40 7.38 7.23 7.06 1172.14 1733.41 1846.36 1592.37
A100 SXM 80GB * 4 8B Q4_K_M 99,73 97,70 92.09 86,27 4850.88 7782.25 12242.53 11535.66
8B F16 45,53 45,45 44.33 43.09 626,75 674.11 1003.37 1612.05
70B Q4_K_M 19,87 19.60 18.48 17.19 468,86 539.08 712.08 802.23
70B F16 6,95 6,92 6.77 6.58 1233.31 1834.16 1972.48 1699.56
H100 PCIe 80GB * 4 8B Q4_K_M 123.08 118.14 113.12 110.34 8054.58 11560.23 16128.27 14682.97
8B F16 64.00 62,90 61,45 59,72 11107.40 15612.81 20561.03 17762.96
70B Q4_K_M 26.40 26.20 24.60 23,68 1048.29 1133.23 1088,99 950.92
70B F16 9.67 9.63 9.46 9.23 1681.45 2420.10 2437.53 2031.77

Apple Silicon (instantáneas de mayo de 2024)

GPU Modelo tg 512 tg 1024 tg 4096 tg 8192 págs. 512 págs. 1024 págs. 4096 págs. 8192
GPU M1 de 7 núcleos y 8 GB 8B Q4_K_M 10.20 9,72 11.77 OOM 94,48 87,26 96,53 OOM
GPU M1 Máx. de 32 núcleos y 64 GB 8B Q4_K_M 35,73 34,49 31.18 26,84 408.23 355.45 329,84 302.92
8B F16 18,75 18.43 16.33 15.03 517.34 418.77 374.09 351,46
70B Q4_K_M 4.34 4.09 4.09 3.71 34,96 33.01 32,64 30,97
GPU M2 Ultra de 76 núcleos y 192 GB 8B Q4_K_M 78,81 76,28 64,58 54.13 994.04 1023.89 979,47 913.55
8B F16 36,90 36,25 33,67 30,68 1175.40 1202.74 1194.21 1103.44
70B Q4_K_M 12.48 12.13 10,75 9.34 118,79 117,76 109,53 108,57
70B F16 4.76 4.71 4.48 4.23 147,58 145,82 133,75 135.15
GPU M3 Máx. de 40 núcleos y 64 GB 8B Q4_K_M 48,97 50,74 44.21 36.12 693,32 678.04 573.09 505.32
8B F16 22.04 22.39 20,72 18.74 769,84 751.49 609,97 515.15
70B Q4_K_M 7,65 7.53 6.58 5.60 70.19 62,88 64,90 61,96

Conclusión

Mismo rendimiento bajo el mismo tamaño y modelos de cuantificación. Varias GPU NVIDIA pueden afectar el rendimiento de la generación de texto, pero aún así pueden aumentar la velocidad de procesamiento de mensajes.

Compre GPU para juegos NVIDIA para ahorrar dinero. Compra GPU profesionales para tu negocio. Compra una Mac si quieres poner tu computadora en tu escritorio, ahorrar energía, estar en silencio, no quieres mantenimiento y divertirte más. ?

Si encuentra útil esta información, por favor deme una estrella. ️ No dudes en ponerte en contacto conmigo si tienes algún consejo. Gracias. ?

Expandir
Información adicional
Aplicaciones relacionadas
Recomendado para ti
Información relacionada Todo