GeForce RTX 3090에서 Gemma 4 26B-A4B 돌릴 수 있을까?
쾌적Q4_K_M 기준으로 VRAM에 들어가고 5.7GB가 남습니다. 판정: 쾌적, 속도: 실측 108.0 tok/s (32k 컨텍스트, 1건; 8k 추정 134.9 tok/s, 108.0–161.9, 보정된 추정 ±20%).
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 26B-A4B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 10.55GB | 쾌적 | 추정 175.9 tok/s140.7–211.1보정된 추정 ±20% | 11.9 / 24.0GB | 풀 GPU | — |
| IQ4_XS | 13.60GB | 쾌적 | 추정 141.0 tok/s112.8–169.2보정된 추정 ±20% | 14.9 / 24.0GB | 풀 GPU | — |
| Q4_K_M기준 | 16.95GB | 쾌적 | 108.0 tok/s8k 추정 134.9 tok/s (108.0–161.9, 보정된 추정 ±20%)실측 1건 (32k 컨텍스트) | 18.3 / 24.0GB | 풀 GPU | — |
| Q8_0 | 26.86GB | 원활 | 추정 63.6 tok/s44.5–82.7이론 추정 ±30% | 22.5 / 24.0GB + RAM 5.7GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
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
- 16.9GB
- KV 캐시
- 0.2GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 5.7GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 17.6GB쾌적 추정 137.3 tok/s109.9–164.8보정된 추정 ±20% | 17.5GB쾌적 추정 138.4 tok/s110.8–166.1보정된 추정 ±20% | 17.5GB쾌적 추정 139.1 tok/s111.2–166.9보정된 추정 ±20% |
| 8k | 17.7GB쾌적 108.0 tok/s8k 추정 134.9 tok/s (108.0–161.9, 보정된 추정 ±20%)실측 1건 (32k 컨텍스트) | 17.6GB쾌적 추정 137.1 tok/s109.7–164.6보정된 추정 ±20% | 17.6GB쾌적 추정 138.4 tok/s110.7–166.0보정된 추정 ±20% |
| 16k | 17.9GB쾌적 추정 130.4 tok/s104.3–156.5보정된 추정 ±20% | 17.8GB쾌적 추정 134.6 tok/s107.7–161.5보정된 추정 ±20% | 17.7GB쾌적 추정 137.0 tok/s109.6–164.4보정된 추정 ±20% |
| 32k | 18.4GB쾌적 추정 122.3 tok/s97.8–146.7보정된 추정 ±20% | 18.1GB쾌적 추정 129.8 tok/s103.9–155.8보정된 추정 ±20% | 17.9GB쾌적 추정 134.3 tok/s107.4–161.1보정된 추정 ±20% |
| 64k | 19.4GB쾌적 추정 108.7 tok/s86.9–130.4보정된 추정 ±20% | 18.7GB쾌적 추정 121.2 tok/s97.0–145.4보정된 추정 ±20% | 18.4GB쾌적 추정 129.2 tok/s103.4–155.1보정된 추정 ±20% |
| 128k | 21.3GB쾌적 추정 88.9 tok/s71.1–106.7보정된 추정 ±20% | 20.1GB쾌적 추정 107.0 tok/s85.6–128.4보정된 추정 ±20% | 19.4GB쾌적 추정 120.2 tok/s96.1–144.2보정된 추정 ±20% |
| 256k | 25.2GB원활 추정 54.2 tok/s37.9–70.4이론 추정 ±30% | 22.7GB쾌적 추정 86.7 tok/s69.3–104.0보정된 추정 ±20% | 21.4GB쾌적 추정 105.4 tok/s84.3–126.5보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k, q8_0에서 256k까지입니다.
예상 속도
- 생성
- 실측 108.0 tok/s (32k 컨텍스트, 1건; 8k 추정 134.9 tok/s, 108.0–161.9, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 3,874 tok/s (2,324–5,423, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.
| 하드웨어 | 양자화 | 백엔드 | 컨텍스트 | 프롬프트 (tok/s) | 생성 (tok/s) | 플래그 | 출처 | 측정일 |
|---|---|---|---|---|---|---|---|---|
| GeForce RTX 3090 | Q4_K_M | ollama | 32k | — | 108.0 | FA off | github.com | 2026-04-07 |
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%)
실행 방법
UD-Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
파일: gemma-4-26B-A4B-it-UD-Q4_K_M.gguf (16.95GB, unsloth/gemma-4-26B-A4B-it-GGUF).
llama-server -hf unsloth/gemma-4-26B-A4B-it-GGUF:UD-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 0.09GB로 줄어듭니다.
PowerShell(트레이의 Ollama를 먼저 종료하세요):
$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/gemma-4-26B-A4B-it-GGUF:UD-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
가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)
GeForce RTX 3090에서 다른 모델
다른 하드웨어에서 Gemma 4 26B-A4B
자주 묻는 질문
GeForce RTX 3090에서 Gemma 4 26B-A4B 돌릴 수 있나요?
Q4_K_M 기준으로 VRAM에 들어가고 5.7GB가 남습니다. 판정: 쾌적, 속도: 실측 108.0 tok/s (32k 컨텍스트, 1건; 8k 추정 134.9 tok/s, 108.0–161.9, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 17.7GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 3090에서 Gemma 4 26B-A4B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k(KV 2.7GB), q8_0 KV 캐시에서 256k(KV 2.9GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(16.95GB)입니다. 판정: 쾌적, 속도: 실측 108.0 tok/s (32k 컨텍스트, 1건; 8k 추정 134.9 tok/s, 108.0–161.9, 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.