GeForce RTX 5090에서 Gemma 4 12B 돌릴 수 있을까?
쾌적Q4_K_M 기준으로 VRAM에 들어가고 23.6GB가 남습니다. 판정: 쾌적, 속도: 추정 172.9 tok/s (152.2–193.7, 보정된 추정 ±12%).
VRAM 32GB · 1,792.0 GB/s · FP16 104.8 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 5090에서 Gemma 4 12B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 4.66GB | 쾌적 | 추정 261.6 tok/s230.3–293.0보정된 추정 ±12% | 5.9 / 32.0GB | 풀 GPU | — |
| IQ4_XS | 6.38GB | 쾌적 | 추정 192.6 tok/s169.5–215.7보정된 추정 ±12% | 7.7 / 32.0GB | 풀 GPU | — |
| Q4_K_M기준 | 7.12GB | 쾌적 | 추정 172.9 tok/s152.2–193.7보정된 추정 ±12% | 8.4 / 32.0GB | 풀 GPU | — |
| Q8_0 | 12.67GB | 쾌적 | 추정 98.0 tok/s86.2–109.7보정된 추정 ±12% | 14.0 / 32.0GB | 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
- 23.6GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 7.7GB쾌적 추정 174.5 tok/s153.6–195.5보정된 추정 ±12% | 7.7GB쾌적 추정 175.3 tok/s154.3–196.3보정된 추정 ±12% | 7.7GB쾌적 추정 175.7 tok/s154.6–196.8보정된 추정 ±12% |
| 8k | 7.8GB쾌적 추정 172.9 tok/s152.2–193.7보정된 추정 ±12% | 7.7GB쾌적 추정 174.4 tok/s153.5–195.4보정된 추정 ±12% | 7.7GB쾌적 추정 175.2 tok/s154.2–196.3보정된 추정 ±12% |
| 16k | 8.0GB쾌적 추정 169.8 tok/s149.4–190.2보정된 추정 ±12% | 7.9GB쾌적 추정 172.7 tok/s152.0–193.4보정된 추정 ±12% | 7.8GB쾌적 추정 174.3 tok/s153.4–195.2보정된 추정 ±12% |
| 32k | 8.4GB쾌적 추정 163.8 tok/s144.2–183.5보정된 추정 ±12% | 8.2GB쾌적 추정 169.3 tok/s149.0–189.7보정된 추정 ±12% | 8.1GB쾌적 추정 172.5 tok/s151.8–193.2보정된 추정 ±12% |
| 64k | 9.3GB쾌적 추정 153.1 tok/s134.7–171.5보정된 추정 ±12% | 8.8GB쾌적 추정 163.0 tok/s143.5–182.6보정된 추정 ±12% | 8.5GB쾌적 추정 168.9 tok/s148.6–189.2보정된 추정 ±12% |
| 128k | 10.9GB쾌적 추정 135.4 tok/s119.1–151.6보정된 추정 ±12% | 9.9GB쾌적 추정 151.7 tok/s133.5–169.9보정된 추정 ±12% | 9.4GB쾌적 추정 162.2 tok/s142.8–181.7보정된 추정 ±12% |
| 256k | 14.3GB쾌적 추정 109.9 tok/s96.7–123.1보정된 추정 ±12% | 12.3GB쾌적 추정 133.2 tok/s117.2–149.2보정된 추정 ±12% | 11.2GB쾌적 추정 150.3 tok/s132.3–168.4보정된 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 172.9 tok/s (152.2–193.7, 보정된 추정 ±12%)
- 프롬프트 처리
- 약 9,298 tok/s (5,579–13,017, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 5090에서 원활하게 도는 더 큰 모델
원활Kolibri 1: 원활, 추정 83.3 tok/s (58.3–108.3, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적Q8_0(12.67GB): 쾌적, 추정 98.0 tok/s (86.2–109.7, 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 5090에서 Gemma 4 12B 돌릴 수 있나요?
Q4_K_M 기준으로 VRAM에 들어가고 23.6GB가 남습니다. 판정: 쾌적, 속도: 추정 172.9 tok/s (152.2–193.7, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 7.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 5090에서 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 172.9 tok/s (152.2–193.7, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(12.67GB)이고, 속도는 추정 98.0 tok/s (86.2–109.7, 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.