Инженер Microsoft, вице-президент и технический специалиста(Member of Technical Staff) в Microsoft и GitHub Скотт Хансельман представил открытый проект под названием gputaskman. Это утилита для ПК на Windows, Linux, WSL и macOS, которая показывает процессы, использующие мощности видеокарты (GPU). Исходный код решения написан Copilot на Python и опубликован на GitHub под лицензией MIT.
Если вы когда-либо пытались выяснить, что именно использует графический процессор вашего ПК в Windows, то наверняка заметили, что операционная система от Microsoft предоставляет крайне скудную информацию. В разделе «Производительность» диспетчера задач можно увидеть лишь общие показатели: уровень загрузки GPU и его температуру — и на этом всё. На вкладке «Подробности» можно включить отображение объёма видеопамяти, используемого каждым процессом, но эта опция глубоко спрятана, да и сама по себе она почти ничего не говорит о том, чем именно заняты эти процессы.
Ситуация немного лучше, если у вас видеокарта Nvidia: можно включить отображение активности GPU в панели задач. Однако даже этот инструмент лишь перечисляет процессы, использующие графический процессор в данный момент, не раскрывая ни сути их работы, ни причин, по которым они занимают тот или иной объем видеопамяти. В конечном счёте, если вам нужны подробные сведения об использовании GPU, приходится прибегать к командам в PowerShell.
«Диспетчер задач показывает: „Использовано 15 ГБ“. Возникает вопрос: чем именно? Весами нейросетевой модели? Кэшем ключей и значений (KV‑кэшем)? Браузером? Композитором рабочего стола? И почему такой большой объем видеопамяти находится в оперативной памяти системы?. Инструмент под названием gputaskman предназначен для мониторинга и анализа работы графического процессора: он наглядно показывает, что именно использует вашу видеокарту. Это экспериментальное ПО на ранней стадии проработки. Показатели для устройств и процессов являются точными измерениями, в то время как классификации и данные, полученные на основе формата GGUF, — лишь оценочные значения. Программа не выполняет дамп видеопамяти (VRAM) и не проводит инвентаризацию текстур в играх», — пояснил Хансельман.
Область применения решения:
-
локальные рабочие нагрузки на графическом процессоре (GPU), исключая облачные сервисы. Сюда входят задачи, связанные с моделями принятия решений, компьютерным зрением, распознаванием речи, инференсом больших языковых моделей (LLM), обучением или дообучением (включая Unsloth), а также обработкой графики и видео;
-
уровень детализации может варьироваться: отслеживаются использование памяти процессами и активность вычислительных блоков, однако для точной идентификации конкретных моделей и выполняемых ими операций требуются дополнительные подтверждения;
-
наличие в памяти библиотеки PyTorch или CUDA DLL само по себе не позволяет идентифицировать модель или подтвердить факт её обучения, а отображение файла в память (memory‑mapped file) ещё не означает, что модель действительно загружена в GPU и активно используется;
-
задачи, выполняемые исключительно на центральном процессоре (CPU) или нейронном процессоре (NPU), а также облачные вычисления, в сферу охвата данного инструмента не входят.
Утилита gputaskman отображает такие параметры: степень загрузки GPU, потребление видеопамяти, температуру, энергопотребление, тактовые частоты, активность кодировщиков и декодеров, а также интенсивность обмена данными по шине PCIe. При этом все показатели (отображение загрузки GPU, потребления видеопамяти, температуры и энергопотребления) распределены по отдельным процессам.
Также gputaskman обнаруживает запущенные процессы больших языковых моделей (LLM) и предоставляет подробную информацию о самой модели и среде выполнения, в которой она работает. Также отображаются такие параметры, как веса модели, квантование, количество слоев и объем видеопамяти (VRAM), используемый процессом. Таким образом, если пользователь запускает локальные модели ИИ, этот инструмент поможет лучше понять, что именно происходит «под капотом».
В планах по развитию gputaskman автор указал такие пункты:
-
идентификация моделей для сред выполнения, отличных от GGUF (ONNX Runtime, PyTorch, TensorRT), помимо уже поддерживаемых вариантов.
-
чёткое указание источника данных для каждого показателя или оценки.
-
надёжное сопоставление моделей в системах с несколькими GPU и отслеживание размещения моделей на конкретных устройствах.
-
поддержка работы в Linux на bare-metal; работа с GPU от AMD и Intel в Linux через механизм DRM fdinfo.
-
macOS: создание портативной сборки, поддержка Ollama/llama.cpp/MLX, а также отображение данных о сжатой видеопамяти (compressed GPU memory) в отдельном столбце.
-
WSL: отслеживание нагрузки на GPU для отдельных процессов Linux, использование системного журнала systemd (от Ollama) в качестве источника логов.
-
динамический расчёт пропускной способности (throughput) в реальном времени, поддержка LM Studio и учёт контекста для каждой модели.
-
включение трассировки открытия файлов через ETW для идентификации моделей, загружаемых средами выполнения, которые используют схему «чтение-закрытие» (например, приложения на базе Whisper или ONNX), с сопоставлением этих данных со скачком объёма используемой видеопамяти (VRAM) в момент загрузки.
-
реализация адаптеров приложений, управляемых конфигурационными данными (пути к настройкам плюс шаблоны логов загрузки/выгрузки) — по мере появления второго приложения, требующего такой интеграции.
-
опциональное использование ETW или инструментов среды выполнения для отслеживания времени жизни выделенных ресурсов и подробных данных об их размещении в памяти.
Ранее группа разработчиков labscommunity с использованием Claude представила открытый экспериментальный проект драйвера npu‑render. Решение позволяет на ПК с Windows 11 отрисовывать рабочий стол с помощью нейропроцессора (NPU) вместо использования графического процессора (GPU). Исходный код проекта написан на C++ и С и и опубликован на GitHub под лицензией Apache License 2.0.
