GeForce RTX 5070에서 Gemma 4 12B 돌릴 수 있을까?

쾌적Q4_K_M 기준으로 VRAM에 들어가고 3.6GB가 남습니다. 판정: 쾌적, 속도: 추정 64.8 tok/s (57.1–72.6, 보정된 추정 ±12%).

오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth생각 모드

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. 시스템 RAM이 16GB에서 128GB 사이라면 위 판정과 양자화 파일은 바뀌지 않습니다. 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 2,742 tok/s (1,645–3,838, 대략적 추정 ±40%), GeForce RTX 5070 Ti Laptop 약 2,662 tok/s (1,597–3,726, 대략적 추정 ±40%).

GeForce RTX 5070에서 Gemma 4 12B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
UD-Q2_K_XL	4.66GB	쾌적	추정 98.1 tok/s86.3–109.9보정된 추정 ±12%	5.9 / 12.0GB	풀 GPU	—
IQ4_XS	6.38GB	쾌적	추정 72.2 tok/s63.5–80.9보정된 추정 ±12%	7.7 / 12.0GB	풀 GPU	—
Q4_K_M기준	7.12GB	쾌적	추정 64.8 tok/s57.1–72.6보정된 추정 ±12%	8.4 / 12.0GB	풀 GPU	—
Q8_0	12.67GB	겨우 가능	추정 14.8 tok/s11.8–17.7보정된 추정 ±20%	12.0 / 12.0GB + RAM 2.0GB	부분 오프로드	GPU에 90%도 올라가지 않습니다. 이렇게 GPU와 CPU에 나눠 돌리면 겨우 돌아가는 수준에 그칩니다.

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

GPU 메모리

가중치: 7.1GB
KV 캐시: 0.1GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 3.6GB

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	7.7GB쾌적 추정 65.5 tok/s57.6–73.3보정된 추정 ±12%	7.7GB쾌적 추정 65.7 tok/s57.8–73.6보정된 추정 ±12%	7.7GB쾌적 추정 65.9 tok/s58.0–73.8보정된 추정 ±12%
8k	7.8GB쾌적 추정 64.8 tok/s57.1–72.6보정된 추정 ±12%	7.7GB쾌적 추정 65.4 tok/s57.6–73.3보정된 추정 ±12%	7.7GB쾌적 추정 65.7 tok/s57.8–73.6보정된 추정 ±12%
16k	8.0GB쾌적 추정 63.7 tok/s56.0–71.3보정된 추정 ±12%	7.9GB쾌적 추정 64.8 tok/s57.0–72.5보정된 추정 ±12%	7.8GB쾌적 추정 65.4 tok/s57.5–73.2보정된 추정 ±12%
32k	8.4GB쾌적 추정 61.4 tok/s54.1–68.8보정된 추정 ±12%	8.2GB쾌적 추정 63.5 tok/s55.9–71.1보정된 추정 ±12%	8.1GB쾌적 추정 64.7 tok/s56.9–72.4보정된 추정 ±12%
64k	9.3GB쾌적 추정 57.4 tok/s50.5–64.3보정된 추정 ±12%	8.8GB쾌적 추정 61.1 tok/s53.8–68.5보정된 추정 ±12%	8.5GB쾌적 추정 63.3 tok/s55.7–70.9보정된 추정 ±12%
128k	10.9GB쾌적 추정 50.8 tok/s44.7–56.8보정된 추정 ±12%	9.9GB쾌적 추정 56.9 tok/s50.1–63.7보정된 추정 ±12%	9.4GB쾌적 추정 60.8 tok/s53.5–68.1보정된 추정 ±12%
256k	14.3GB겨우 가능 추정 8.4 tok/s6.7–10.1보정된 추정 ±20%	12.3GB겨우 가능 추정 22.5 tok/s18.0–26.9보정된 추정 ±20%	11.2GB쾌적 추정 56.4 tok/s49.6–63.1보정된 추정 ±12%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k, q8_0에서 128k까지입니다.

예상 속도

생성: 추정 64.8 tok/s (57.1–72.6, 보정된 추정 ±12%)
프롬프트 처리: 약 2,742 tok/s (1,645–3,838, 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 63.3 tok/s (44.3–82.3, 이론 추정 ±30%)

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.cpp

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.

올라마(Ollama)

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

자주 묻는 질문

GeForce RTX 5070에서 Gemma 4 12B 돌릴 수 있나요?

Q4_K_M 기준으로 VRAM에 들어가고 3.6GB가 남습니다. 판정: 쾌적, 속도: 추정 64.8 tok/s (57.1–72.6, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 7.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5070에서 Gemma 4 12B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k(KV 2.1GB), q8_0 KV 캐시에서 128k(KV 1.1GB)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 64.8 tok/s (57.1–72.6, 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.