Apple M4에서 Gemma 4 12B 돌릴 수 있을까?
원활Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 7.8GB를 씁니다. 판정: 원활, 속도: 추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%).
통합 메모리 16GB · 120.0 GB/s · FP16 3.8 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.
메모리 용량별 판정
이 페이지는 16GB 구성 기준입니다. 다른 용량은 아래와 같습니다.
- 16GB원활추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%)(이 페이지 기준)
- 24GB원활추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%)
- 32GB원활추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%)
Apple M4에서 Gemma 4 12B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 4.66GB | 원활 | 추정 19.0 tok/s15.2–22.8보정된 추정 ±20% | 5.4 / 11.2GB | 통합 메모리 | — |
| IQ4_XS | 6.38GB | 원활 | 추정 14.0 tok/s11.2–16.8보정된 추정 ±20% | 7.1 / 11.2GB | 통합 메모리 | — |
| Q4_K_M기준 | 7.12GB | 원활 | 추정 12.6 tok/s10.1–15.1보정된 추정 ±20% | 7.8 / 11.2GB | 통합 메모리 | — |
| Q8_0 | 12.67GB | 불가 | — | 약 13.4GB가 필요한데, 여유 메모리는 12.0GB입니다(GPU가 쓸 수 있는 양 11.2GB). | — | — |
생각 모드가 있는 모델은 생각하는 데 토큰을 더 쓰기 때문에 속도 기준을 1.5배 엄격하게 잡습니다(30 / 12 / 3 tok/s). 생각 모드를 끄고 쓰면 실제로는 한 단계 위일 수 있습니다.
Q4_K_M 기준 메모리 사용 내역
- 가중치
- 7.1GB
- KV 캐시
- 0.1GB
- 연산 버퍼
- 0.6GB
- 여유
- 3.4GB
- GPU가 못 쓰는 영역
- 4.8GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 7.7GB원활 추정 12.7 tok/s10.2–15.2보정된 추정 ±20% | 7.7GB원활 추정 12.7 tok/s10.2–15.3보정된 추정 ±20% | 7.7GB원활 추정 12.8 tok/s10.2–15.3보정된 추정 ±20% |
| 8k | 7.8GB원활 추정 12.6 tok/s10.1–15.1보정된 추정 ±20% | 7.8GB원활 추정 12.7 tok/s10.1–15.2보정된 추정 ±20% | 7.7GB원활 추정 12.7 tok/s10.2–15.3보정된 추정 ±20% |
| 16k | 8.0GB원활 추정 12.3 tok/s9.9–14.8보정된 추정 ±20% | 7.9GB원활 추정 12.6 tok/s10.0–15.1보정된 추정 ±20% | 7.8GB원활 추정 12.7 tok/s10.1–15.2보정된 추정 ±20% |
| 32k | 8.5GB겨우 가능 추정 11.9 tok/s9.5–14.3보정된 추정 ±20% | 8.2GB원활 추정 12.3 tok/s9.8–14.8보정된 추정 ±20% | 8.1GB원활 추정 12.5 tok/s10.0–15.0보정된 추정 ±20% |
| 64k | 9.3GB겨우 가능 추정 11.1 tok/s8.9–13.4보정된 추정 ±20% | 8.8GB겨우 가능 추정 11.9 tok/s9.5–14.2보정된 추정 ±20% | 8.5GB원활 추정 12.3 tok/s9.8–14.7보정된 추정 ±20% |
| 128k | 11.0GB겨우 가능 추정 9.8 tok/s7.9–11.8보정된 추정 ±20% | 10.0GB겨우 가능 추정 11.0 tok/s8.8–13.2보정된 추정 ±20% | 9.4GB겨우 가능 추정 11.8 tok/s9.4–14.2보정된 추정 ±20% |
| 256k | 11.4GB겨우 가능 추정 5.3 tok/s3.7–6.8이론 추정 ±30% | 9.4GB겨우 가능 추정 6.4 tok/s4.5–8.3이론 추정 ±30% | 8.3GB겨우 가능 추정 7.2 tok/s5.0–9.3이론 추정 ±30% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.
예상 속도
- 생성
- 추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 123 tok/s (74–173, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
Apple M4에서 원활하게 도는 더 큰 모델
원활Gemma 3 12B: 원활, 추정 11.6 tok/s (9.3–14.0, 보정된 추정 ±20%)
Apple M5 Pro에서 Gemma 4 12B
쾌적Q4_K_M: 쾌적, 추정 32.2 tok/s (25.7–38.6, 보정된 추정 ±20%)
실행 방법
Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
파일: gemma-4-12b-it-Q4_K_M.gguf (7.12GB, unsloth/gemma-4-12b-it-GGUF).
llama-server -hf unsloth/gemma-4-12b-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 0.07GB로 줄어듭니다.
터미널:
OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/unsloth/gemma-4-12b-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
관련 페이지
자주 묻는 질문
Apple M4에서 Gemma 4 12B 돌릴 수 있나요?
Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 7.8GB를 씁니다. 판정: 원활, 속도: 추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 7.8GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 11.2GB입니다.
Apple M4에서 Gemma 4 12B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k(KV 0.3GB), q8_0 KV 캐시에서 32k(KV 0.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(7.12GB)입니다. 판정: 원활, 속도: 추정 12.6 tok/s (10.1–15.1, 보정된 추정 ±20%). 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.