Beranda>Terkait pemrograman>Kode sumber lainnya
Unduh

Tolok Ukur GPU-pada-LLM-Inferensi

Beberapa GPU NVIDIA atau Apple Silicon untuk Inferensi Model Bahasa Besar? ?

Keterangan

Gunakan llama.cpp untuk menguji kecepatan inferensi model LLaMA dari GPU yang berbeda di RunPod, M1 MacBook Air 13 inci, M1 Max MacBook Pro 14 inci, M2 Ultra Mac Studio, dan M3 Max MacBook Pro 16 inci untuk LLaMA 3.

Ringkasan

Kecepatan rata-rata (token/dtk) dalam menghasilkan 1024 token oleh GPU di LLaMA 3. Kecepatan lebih tinggi lebih baik.

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 24GB * 2 108.07 47.15 16.29 OOM
4090 24GB * 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 Ada 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 24GB * 4 104,94 46.40 16.89 OOM
4090 24GB * 4 117.61 52.69 18.83 OOM
RTX 5000 Ada 32GB * 4 82.73 31.94 11.45 OOM
3090 24GB * 6 101.07 45.55 16.93 5.82
4090 24GB * 8 116.13 52.12 18.76 6.45
RTX A6000 48GB * 4 93,73 38.87 14.32 4.74
RTX 6000 Ada 48GB * 4 118,99 50.25 17.96 6.06
A40 48GB * 4 83,79 33.28 11.91 3,98
L40S 48GB * 4 105.72 42.48 14.99 5.03
A100PCIe 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 7-Core 8GB 9.72 OOM OOM OOM
GPU M1 Maks 32-Core 64GB 34.49 18.43 4.09 OOM
GPU M2 Ultra 76-Core 192GB 76.28 36.25 12.13 4.71
M3 Max 40‑Core GPU 64GB 50,74 22.39 7.53 OOM

Rata-rata 1024 token meminta kecepatan evaluasi (token/dtk) oleh GPU di 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 24GB * 2 4004.14 4690,50 393,89 OOM
4090 24GB * 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 Ada 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 24GB * 4 4653.93 5713.41 350.06 OOM
4090 24GB * 4 9609.29 12304.19 898.17 OOM
RTX 5000 Ada 32GB * 4 6530.78 2877.66 541.54 OOM
3090 24GB * 6 5153.05 5952.55 739.40 927.23
4090 24GB * 8 9706.82 11818.92 1336.26 1890.48
RTX A6000 48GB * 4 5340.10 6448.85 539.20 792.23
RTX 6000 Ada 48GB * 4 9679.55 12637.94 714.93 1270.39
A40 48GB * 4 4841.98 5931.06 263.36 900,79
L40S 48GB * 4 9008.27 2541.61 634.05 1478.83
A100PCIe 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 7-Core 8GB 87.26 OOM OOM OOM
GPU M1 Maks 32-Core 64GB 355.45 418.77 33.01 OOM
GPU M2 Ultra 76-Core 192GB 1023.89 1202.74 117.76 145.82
M3 Max 40‑Core GPU 64GB 678.04 751.49 62.88 OOM

Model

Berkat shawwn untuk bobot model LLaMA (7B, 13B, 30B, 65B): llama-dl. Akses LLaMA 2 dari Meta AI. Akses LLaMA 3 dari Meta Llama 3 di Hugging Face atau repo Hugging Face saya: Xiongjie Dai.

Penggunaan

Membangun

  • Untuk GPU NVIDIA, ini memberikan akselerasi BLAS menggunakan inti CUDA GPU Nvidia Anda: 

     ! make clean && LLAMA_CUBLAS=1 make -j

  • Untuk Apple Silicon, Metal diaktifkan secara default: 

     ! make clean && make -j

Penyelesaian Teks

Gunakan argumen -ngl 0 untuk hanya menggunakan CPU sebagai inferensi dan -ngl 10000 untuk memastikan semua lapisan dipindahkan ke 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 
" " "

Catatan: Untuk Apple Silicon, periksa recommendedMaxWorkingSetSize di hasil untuk melihat berapa banyak memori yang dapat dialokasikan pada GPU dan mempertahankan kinerjanya. Saat ini, hanya 70% dari memori terpadu yang dapat dialokasikan ke GPU pada 32 GB M1 Max, dan kami memperkirakan sekitar 78% memori yang dapat digunakan untuk GPU pada memori yang lebih besar. (Sumber: https://developer.apple.com/videos/play/tech-talks/10580/?time=346) Untuk memanfaatkan seluruh memori, gunakan -ngl 0 untuk hanya menggunakan CPU untuk inferensi. (Terima kasih kepada: ggerganov/llama.cpp#1826)

Templat obrolan untuk 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 '

Tolok ukur 

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

Persyaratan VRAM Total

Model Ukuran terkuantisasi (Q4_K_M) Ukuran asli (f16)
8B 4,58GB 14,96 GB
70B 39,59 GB 131,42 GB

Anda dapat memperkirakan kebutuhan VRAM menggunakan alat ini: Kalkulator RAM LLM

Tabel kebingungan pada LLaMA 3 70B

Lebih sedikit kebingungan lebih baik. (kredit ke: dranger003)

Kuantisasi Ukuran (GiB) Kebingungan (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%
Q6_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%

Tolok ukur

TG berarti "pembuatan teks", dan PP berarti "pemrosesan cepat". # untuk total token yang dihasilkan/diproses. OOM artinya kehabisan memori. Kecepatan rata-rata dalam token/dtk.

LLaMA 3 ???:

GPU Gaming NVIDIA (OS: Ubuntu 22.04.2 LTS, pytorch:2.2.0, py: 3.10, cuda: 12.1.1 di RunPod) (snapshot pada Mei 2024)

GPU Model tg 512 hal 1024 tg 4096 tg 8192 hal 512 hal 1024 hal 4096 hal 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 24GB * 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 24GB * 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 24GB * 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 24GB * 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 24GB * 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 24GB * 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 Profesional NVIDIA (OS: Ubuntu 22.04.2 LTS, pytorch:2.2.0, py: 3.10, cuda: 12.1.1 di RunPod) (snapshot pada Mei 2024)

GPU Model tg 512 hal 1024 tg 4096 tg 8192 hal 512 hal 1024 hal 4096 hal 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 Ada 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 Ada 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 48GB * 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 48GB * 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 48GB * 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
A100PCIe 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 (foto pada Mei 2024)

GPU Model tg 512 hal 1024 tg 4096 tg 8192 hal 512 hal 1024 hal 4096 hal 8192
GPU M1 7-Core 8GB 8B Q4_K_M 10.20 9.72 11.77 OOM 94.48 87.26 96,53 OOM
GPU M1 Maks 32-Core 64GB 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 76-Core 192GB 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 Max 40-Core 64GB 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

Kesimpulan

Performa yang sama dengan ukuran dan model kuantisasi yang sama. Beberapa GPU NVIDIA mungkin memengaruhi kinerja pembuatan teks, namun tetap dapat meningkatkan kecepatan pemrosesan cepat.

Beli GPU gaming NVIDIA untuk menghemat uang. Beli GPU profesional untuk bisnis Anda. Belilah Mac jika Anda ingin meletakkan komputer di meja, menghemat energi, tenang, tidak ingin pemeliharaan, dan bersenang-senang. ?

Jika Anda merasa informasi ini bermanfaat, tolong beri saya bintang. ️ Jangan ragu untuk menghubungi saya jika Anda memiliki saran. Terima kasih. ?

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua