GeForce RTX 5070에서 Gemma 3 12B 돌릴 수 있을까?

쾌적Q4_K_M 파일이 VRAM에 전부 올라가고 3.0GB가 남습니다. 판정: 쾌적, 속도: 추정 60.0 tok/s (52.8–67.2, 보정된 추정 ±12%).

별도 약관 · Gemma · 상업적으로 쓰기 전 약관 확인 커뮤니티 GGUF · bartowski

VRAM 12GB · 672.0 GB/s · FP16 30.9 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다. GeForce RTX 5070 Ti Laptop도 메모리 구성이 같아서(12GB, 672.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다. 프롬프트 처리 속도: 이 GPU 약 4,326 tok/s (2,596–6,056, 대략적 추정 ±40%), GeForce RTX 5070 Ti Laptop 약 4,200 tok/s (2,520–5,880, 대략적 추정 ±40%).

GeForce RTX 5070에서 Gemma 3 12B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
Q2_K	4.77GB	쾌적	추정 88.6 tok/s78.0–99.3보정된 추정 ±12%	6.5 / 12.0GB	풀 GPU	—
IQ4_XS	6.55GB	쾌적	추정 66.4 tok/s58.4–74.3보정된 추정 ±12%	8.3 / 12.0GB	풀 GPU	—
Q4_K_M기준	7.30GB	쾌적	추정 60.0 tok/s52.8–67.2보정된 추정 ±12%	9.0 / 12.0GB	풀 GPU	—
Q8_0	12.51GB	겨우 가능	추정 13.4 tok/s10.7–16.1보정된 추정 ±20%	12.0 / 12.0GB + RAM 2.2GB	부분 오프로드	GPU에 90%도 올라가지 않습니다. 이렇게 GPU와 CPU에 나눠 돌리면 겨우 돌아가는 수준에 그칩니다.

Q4_K_M 기준 메모리 사용 내역

가중치·KV 캐시·연산 버퍼는 모델이 쓰고, OS 예약은 화면 출력 드라이버가 씁니다.

GPU 메모리

가중치: 7.3GB
KV 캐시: 0.5GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 3.0GB

컨텍스트 길이와 KV 캐시

컨텍스트: 8k

KV 캐시f16q8_0q4_0

Q4_K_M 기준으로 컨텍스트 길이와 KV 캐시 종류에 따른 필요 메모리, 판정, 예상 tok/s를 보여 줍니다.
컨텍스트	KV f16	KV q8_0	KV q4_0
4k	8.1GB쾌적 추정 62.2 tok/s54.7–69.6보정된 추정 ±12%	8.0GB쾌적 추정 63.2 tok/s55.6–70.8보정된 추정 ±12%	7.9GB쾌적 추정 63.8 tok/s56.1–71.4보정된 추정 ±12%
8k	8.4GB쾌적 추정 60.0 tok/s52.8–67.2보정된 추정 ±12%	8.2GB쾌적 추정 62.0 tok/s54.6–69.4보정된 추정 ±12%	8.0GB쾌적 추정 63.1 tok/s55.5–70.7보정된 추정 ±12%
16k	9.0GB쾌적 추정 56.2 tok/s49.4–62.9보정된 추정 ±12%	8.5GB쾌적 추정 59.7 tok/s52.6–66.9보정된 추정 ±12%	8.3GB쾌적 추정 61.8 tok/s54.4–69.3보정된 추정 ±12%
32k	10.2GB쾌적 추정 49.8 tok/s43.8–55.8보정된 추정 ±12%	9.2GB쾌적 추정 55.7 tok/s49.0–62.4보정된 추정 ±12%	8.7GB쾌적 추정 59.5 tok/s52.3–66.6보정된 추정 ±12%
64k	12.7GB겨우 가능 추정 15.1 tok/s12.1–18.1보정된 추정 ±20%	10.7GB쾌적 추정 49.0 tok/s43.1–54.9보정된 추정 ±12%	9.6GB쾌적 추정 55.2 tok/s48.6–61.8보정된 추정 ±12%
128k	17.6GB겨우 가능 추정 3.3 tok/s2.6–3.9보정된 추정 ±20%	13.6GB겨우 가능 추정 10.3 tok/s8.2–12.3보정된 추정 ±20%	11.4GB원활 추정 45.4 tok/s36.3–54.5보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 64k까지입니다.

예상 속도

생성: 추정 60.0 tok/s (52.8–67.2, 보정된 추정 ±12%)
프롬프트 처리: 약 4,326 tok/s (2,596–6,056, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.

다른 선택지

GeForce RTX 5070에서 원활하게 도는 더 큰 모델
원활
Qwen3.5 35B-A3B: 원활, 추정 20.4 tok/s (14.3–26.5, 이론 추정 ±30%)

실행 방법

Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.

파일: google_gemma-3-12b-it-Q4_K_M.gguf (7.30GB, bartowski/google_gemma-3-12b-it-GGUF).

llama.cpp

llama-server -hf bartowski/google_gemma-3-12b-it-GGUF:Q4_K_M -c 8192 -ngl all -fa on

-ngl all: 모든 층을 GPU에 올립니다.
-fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
--cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 0.29GB로 줄어듭니다.

Ollama

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/bartowski/google_gemma-3-12b-it-GGUF:Q4_K_M

Ollama는 24GB 미만 GPU에서 컨텍스트 기본값이 4k입니다. 서버를 띄울 때 OLLAMA_CONTEXT_LENGTH를 지정하거나, 대화 안에서 /set parameter num_ctx를 쓰세요.
/set parameter num_ctx 8192

자주 묻는 질문

GeForce RTX 5070에서 Gemma 3 12B 돌릴 수 있나요?

Q4_K_M 파일이 VRAM에 전부 올라가고 3.0GB가 남습니다. 판정: 쾌적, 속도: 추정 60.0 tok/s (52.8–67.2, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 8.4GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5070에서 Gemma 3 12B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 2.1GB), q8_0 KV 캐시에서 64k(KV 2.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(7.30GB)입니다. 판정: 쾌적, 속도: 추정 60.0 tok/s (52.8–67.2, 보정된 추정 ±12%). 같은 판정이 나오는 파일 가운데 가장 큰 파일이기도 합니다.

속도는 메모리 대역폭으로 계산한 추정치를 공개 벤치마크로 보정한 값입니다. 모든 수치에는 오차 범위와 신뢰 라벨을 함께 표시합니다. 실제 속도는 드라이버, 백엔드, 컨텍스트 길이, 발열에 따라 달라집니다.