Как научить локальную LLM самообучаться на P-ядрах: маска ProcessorAffinity вместо powercfg

Проблема затрагивает каждого, кто пробует запускать тяжёлые открытые модели локально: будь то автор Дзена, тестирующий Qwen или LLaMA на своём ноутбуке, или разработчик, поднимающий виртуальные машины в VirtualBox. Автор решения обнаружил его на процессоре Intel Core i7-13850HX (8 производительных ядер с Hyper-Threading, то есть 16 быстрых потоков, плюс 12 энергоэффективных ядер, итого 28 логических процессоров) и описал полный сценарий автоматизации.

Почему powercfg не работает?

Стандартный совет из интернета выглядит так:

powercfg /powerthrottling disable /path "путь_к_exe"

Команда действительно блокирует падение частот, но у неё три конкретных проблемы:

• Не работает с дисками, отличными от системного C:. Если ваш Python-скрипт или окружение развёрнуто на RAM-диске (виртуальном диске в оперативной памяти для ускорения) или на втором SSD, powercfg просто откажется принимать путь.
• Не ловит дочерние процессы. Приложения на фреймворке Electron (например, LM Studio) при каждом запуске создают несколько вспомогательных процессов (Renderers, GPU, Utility), и каждый из них игнорирует настройки родительского файла и «сбегает» на медленные E-ядра.
• Настройки сбрасываются при пересоздании RAM-диска после перезагрузки.

Именно поэтому нужен другой механизм: маска сходства процессоров, ProcessorAffinity (системный параметр, который жёстко указывает, на каких именно ядрах разрешено работать процессу).

Что понадобится

• Компьютер с гибридным процессором Intel (Alder Lake, Raptor Lake или новее) и Windows 11.
• Установленный LM Studio или другой инструмент для запуска локальных LLM.
• Блокнот или любой текстовый редактор для создания bat-файла.
• Python (если вы используете собственные скрипты-мосты для работы с моделями).
• 15 минут на настройку.

Пошаговая инструкция

1. Определите маску ваших P-ядер. Откройте Диспетчер задач, вкладку «Производительность», и посчитайте, сколько логических процессоров приходится на P-ядра. Для i7-13850HX это первые 16 потоков (CPU 0 по CPU 15). В шестнадцатеричной системе маска для 16 потоков записывается как FFFF. Если у вас 6 P-ядер с Hyper-Threading (12 потоков), маска будет FFF.

2. Запустите LM Studio и загрузите модель. Откройте приложение, выберите нужную модель (например, Qwen 72B), настройте частичный перенос слоёв на видеокарту, если она у вас есть.

3. Создайте bat-файл автоматизации. Откройте Блокнот, вставьте скрипт ниже и сохраните файл с расширением .bat в кодировке UTF-8 без BOM (в Блокноте: «Сохранить как», кодировка UTF-8, имя файла в кавычках, например "ai_pcore.bat").

@echo off
chcp 65001 >nul
title P-Cores Only: LM Studio
echo Перенаправление процессов LM Studio на быстрые P-ядра...

powershell -Command "Get-Process -Name 'LM Studio' -ErrorAction SilentlyContinue | Where-Object { $_.ProcessorAffinity -ne 0xFFFF } | ForEach-Object { try { $_.ProcessorAffinity = 0xFFFF } catch { } }"

echo Готово. Все процессы LM Studio привязаны к P-ядрам.
pause

1. Если используете Python на RAM-диске, добавьте в тот же bat-файл блок подготовки окружения и запуска скрипта с привязкой к P-ядрам:

cd /d "W:\AI_Bridge"
if not exist env (
    python -m venv env
    call env\Scripts\activate
    pip install paramiko openai
) else (
    call env\Scripts\activate
)
start "" /affinity FFFF "W:\AI_Bridge\env\Scripts\python.exe" "ваш_скрипт.py"

Ключевая команда здесь: start "" /affinity FFFF, она запускает процесс строго на первых 16 потоках, блокируя доступ к E-ядрам (CPU 16 по CPU 27 для i7-13850HX).

1. Запустите bat-файл двойным кликом после того, как LM Studio уже работает и модель загружена. Скрипт найдёт все дочерние процессы LM Studio и принудительно «зажмёт» их на быстрых ядрах.

2. Проверьте результат в Диспетчере задач: откройте вкладку «Подробности», правой кнопкой по процессу LM Studio, пункт «Задать сходство» (Set Affinity). Галочки должны стоять только напротив первых 16 процессоров.

Что это даёт вам по ролям?

Авторам Дзена и копирайтерам, которые пробуют генерацию текста на локальных моделях: стабильная скорость генерации без внезапных замедлений. Если вы задумываетесь, как научить локальную LLM работать быстрее для ваших задач, привязка к P-ядрам убирает главный тормоз на стороне операционной системы.

Маркетологам и предпринимателям, которые разворачивают локальные нейросети для обработки данных без отправки в облако: метод работает с любым софтом, не только LM Studio. VirtualBox, Python-скрипты, локальные API-серверы, всё, что Windows пытается «оптимизировать», можно привязать к быстрым ядрам той же маской.

Тем, кто в России ищет альтернативу облачным API. Доступ к GPT-4 и Claude через API из РФ ограничен, а локальные открытые модели вроде Qwen, LLaMA, Mistral работают без VPN и подписок. Но работают они ровно настолько быстро, насколько позволяет железо, и этот метод помогает выжать из гибридных процессоров Intel то, на что они реально способны.

Для тех, кто только начинает работать с локальными LLM и хочет понять, как научить локальную LLM выдавать полезный результат для контент-задач, начните с привязки к P-ядрам: без этого шага вы будете оценивать скорость модели по заниженным цифрам и можете отказаться от вполне рабочего инструмента, приняв баг планировщика Windows за слабость железа.