GeForce RTX 3090에서 Gemma 4 12B 돌릴 수 있을까?
쾌적Q4_K_M 기준으로 VRAM에 들어가고 15.6GB가 남습니다. 판정: 쾌적, 속도: 추정 90.3 tok/s (79.5–101.2, 보정된 추정 ±12%).
VRAM 24GB · 936.0 GB/s · FP16 35.6 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다. 시스템 RAM이 16GB에서 128GB 사이라면 위 판정과 양자화 파일은 바뀌지 않습니다.
GeForce RTX 3090에서 Gemma 4 12B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 4.66GB | 쾌적 | 추정 136.7 tok/s120.3–153.1보정된 추정 ±12% | 5.9 / 24.0GB | 풀 GPU | — |
| IQ4_XS | 6.38GB | 쾌적 | 추정 100.6 tok/s88.5–112.6보정된 추정 ±12% | 7.7 / 24.0GB | 풀 GPU | — |
| Q4_K_M기준 | 7.12GB | 쾌적 | 추정 90.3 tok/s79.5–101.2보정된 추정 ±12% | 8.4 / 24.0GB | 풀 GPU | — |
| Q8_0 | 12.67GB | 쾌적 | 추정 51.2 tok/s45.0–57.3보정된 추정 ±12% | 14.0 / 24.0GB | 풀 GPU | — |
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
- OS 예약
- 0.6GB
- 여유
- 15.6GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 7.7GB쾌적 추정 91.2 tok/s80.2–102.1보정된 추정 ±12% | 7.7GB쾌적 추정 91.6 tok/s80.6–102.5보정된 추정 ±12% | 7.7GB쾌적 추정 91.8 tok/s80.8–102.8보정된 추정 ±12% |
| 8k | 7.8GB쾌적 추정 90.3 tok/s79.5–101.2보정된 추정 ±12% | 7.7GB쾌적 추정 91.1 tok/s80.2–102.0보정된 추정 ±12% | 7.7GB쾌적 추정 91.5 tok/s80.5–102.5보정된 추정 ±12% |
| 16k | 8.0GB쾌적 추정 88.7 tok/s78.0–99.3보정된 추정 ±12% | 7.9GB쾌적 추정 90.2 tok/s79.4–101.0보정된 추정 ±12% | 7.8GB쾌적 추정 91.0 tok/s80.1–102.0보정된 추정 ±12% |
| 32k | 8.4GB쾌적 추정 85.6 tok/s75.3–95.8보정된 추정 ±12% | 8.2GB쾌적 추정 88.5 tok/s77.8–99.1보정된 추정 ±12% | 8.1GB쾌적 추정 90.1 tok/s79.3–100.9보정된 추정 ±12% |
| 64k | 9.3GB쾌적 추정 80.0 tok/s70.4–89.6보정된 추정 ±12% | 8.8GB쾌적 추정 85.2 tok/s74.9–95.4보정된 추정 ±12% | 8.5GB쾌적 추정 88.2 tok/s77.6–98.8보정된 추정 ±12% |
| 128k | 10.9GB쾌적 추정 70.7 tok/s62.2–79.2보정된 추정 ±12% | 9.9GB쾌적 추정 79.2 tok/s69.7–88.7보정된 추정 ±12% | 9.4GB쾌적 추정 84.7 tok/s74.6–94.9보정된 추정 ±12% |
| 256k | 14.3GB쾌적 추정 57.4 tok/s50.5–64.3보정된 추정 ±12% | 12.3GB쾌적 추정 69.6 tok/s61.2–77.9보정된 추정 ±12% | 11.2GB쾌적 추정 78.5 tok/s69.1–87.9보정된 추정 ±12% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k, q8_0에서 256k까지입니다.
예상 속도
- 생성
- 추정 90.3 tok/s (79.5–101.2, 보정된 추정 ±12%)
- 프롬프트 처리
- 약 3,159 tok/s (1,895–4,422, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 3090에서 원활하게 도는 더 큰 모델
원활K2-Horizon MoVA 36B-A4B: 원활, 추정 79.2 tok/s (55.5–103.0, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적Q8_0(12.67GB): 쾌적, 추정 51.2 tok/s (45.0–57.3, 보정된 추정 ±12%)
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.
PowerShell(트레이의 Ollama를 먼저 종료하세요):
$env: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
GeForce RTX 3090에서 Gemma 4 12B 돌릴 수 있나요?
Q4_K_M 기준으로 VRAM에 들어가고 15.6GB가 남습니다. 판정: 쾌적, 속도: 추정 90.3 tok/s (79.5–101.2, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 7.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 3090에서 Gemma 4 12B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k(KV 4.3GB), q8_0 KV 캐시에서 256k(KV 2.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(7.12GB)입니다. 판정: 쾌적, 속도: 추정 90.3 tok/s (79.5–101.2, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(12.67GB)이고, 속도는 추정 51.2 tok/s (45.0–57.3, 보정된 추정 ±12%)입니다.
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.