GeForce RTX 5090에서 Gemma 4 26B-A4B 돌릴 수 있을까?
쾌적Q4_K_M 기준으로 VRAM에 들어가고 13.7GB가 남습니다. 판정: 쾌적, 속도: 실측 216.1 tok/s (512/8k 컨텍스트, 2건; 8k 추정 210.4 tok/s, 168.3–252.4, 보정된 추정 ±20%).
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 26B-A4B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 10.55GB | 쾌적 | 추정 259.6 tok/s207.7–311.6보정된 추정 ±20% | 11.9 / 32.0GB | 풀 GPU | — |
| IQ4_XS | 13.60GB | 쾌적 | 추정 218.0 tok/s174.4–261.6보정된 추정 ±20% | 14.9 / 32.0GB | 풀 GPU | — |
| Q4_K_M기준 | 16.95GB | 쾌적 | 216.1 tok/s8k 추정 210.4 tok/s (168.3–252.4, 보정된 추정 ±20%)실측 2건 (512/8k 컨텍스트) | 18.3 / 32.0GB | 풀 GPU | — |
| Q8_0 | 26.86GB | 쾌적 | 추정 190.6 tok/s152.4–228.7보정된 추정 ±20% | 28.2 / 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
- 16.9GB
- KV 캐시
- 0.2GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 13.7GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 17.6GB쾌적 추정 213.4 tok/s170.7–256.0보정된 추정 ±20% | 17.5GB쾌적 추정 214.8 tok/s171.8–257.8보정된 추정 ±20% | 17.5GB쾌적 추정 215.6 tok/s172.5–258.7보정된 추정 ±20% |
| 8k | 17.7GB쾌적 216.1 tok/s8k 추정 210.4 tok/s (168.3–252.4, 보정된 추정 ±20%)실측 2건 (512/8k 컨텍스트) | 17.6GB쾌적 추정 213.2 tok/s170.5–255.8보정된 추정 ±20% | 17.6GB쾌적 추정 214.7 tok/s171.8–257.6보정된 추정 ±20% |
| 16k | 17.9GB쾌적 추정 204.6 tok/s163.7–245.5보정된 추정 ±20% | 17.8GB쾌적 추정 210.0 tok/s168.0–251.9보정된 추정 ±20% | 17.7GB쾌적 추정 212.9 tok/s170.4–255.5보정된 추정 ±20% |
| 32k | 18.4GB쾌적 추정 194.0 tok/s155.2–232.8보정된 추정 ±20% | 18.1GB쾌적 추정 203.8 tok/s163.1–244.6보정된 추정 ±20% | 17.9GB쾌적 추정 209.5 tok/s167.6–251.5보정된 추정 ±20% |
| 64k | 19.4GB쾌적 추정 175.8 tok/s140.6–210.9보정된 추정 ±20% | 18.7GB쾌적 추정 192.6 tok/s154.1–231.1보정된 추정 ±20% | 18.4GB쾌적 추정 203.1 tok/s162.4–243.7보정된 추정 ±20% |
| 128k | 21.3GB쾌적 추정 147.9 tok/s118.3–177.5보정된 추정 ±20% | 20.1GB쾌적 추정 173.5 tok/s138.8–208.2보정된 추정 ±20% | 19.4GB쾌적 추정 191.2 tok/s153.0–229.5보정된 추정 ±20% |
| 256k | 25.2GB쾌적 추정 112.4 tok/s89.9–134.8보정된 추정 ±20% | 22.7GB쾌적 추정 144.7 tok/s115.8–173.7보정된 추정 ±20% | 21.4GB쾌적 추정 171.2 tok/s137.0–205.5보정된 추정 ±20% |
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
- 실측 216.1 tok/s (512/8k 컨텍스트, 2건; 8k 추정 210.4 tok/s, 168.3–252.4, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 11,403 tok/s (6,842–15,964, 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 5090 | Q4_K_M | llama.cpp | 512 | 13,588.0 | 223.8 | CUDA, KV q8_0 | github.com | 2026-05-24 |
| GeForce RTX 5090 | Q4_K_M | ollama | 8k | — | 208.4 | CUDA, FA off | github.com | 2026-04-05 |
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(26.86GB): 쾌적, 추정 190.6 tok/s (152.4–228.7, 보정된 추정 ±20%)
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 5090에서 다른 모델
다른 하드웨어에서 Gemma 4 26B-A4B
자주 묻는 질문
GeForce RTX 5090에서 Gemma 4 26B-A4B 돌릴 수 있나요?
Q4_K_M 기준으로 VRAM에 들어가고 13.7GB가 남습니다. 판정: 쾌적, 속도: 실측 216.1 tok/s (512/8k 컨텍스트, 2건; 8k 추정 210.4 tok/s, 168.3–252.4, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 17.7GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 5090에서 Gemma 4 26B-A4B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k(KV 5.4GB), 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 216.1 tok/s (512/8k 컨텍스트, 2건; 8k 추정 210.4 tok/s, 168.3–252.4, 보정된 추정 ±20%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(26.86GB)이고, 속도는 추정 190.6 tok/s (152.4–228.7, 보정된 추정 ±20%)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.