Apple M4에서 Gemma 4 31B 돌릴 수 있을까?

겨우 가능Q4_K_M 파일 전체를 시스템 RAM(19.0GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 3.2 tok/s (2.2–4.1, 이론 추정 ±30%).

통합 메모리: 기본 설정에서는 GPU가 약 70%까지 쓸 수 있습니다오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth생각 모드

통합 메모리 24GB · 120.0 GB/s · FP16 3.8 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.

메모리 용량별 판정

이 페이지는 24GB 구성 기준입니다. 다른 용량은 아래와 같습니다.

16GB불가Q4_K_M: 메모리에 안 들어감
24GB겨우 가능추정 3.2 tok/s (2.2–4.1, 이론 추정 ±30%)(이 페이지 기준)
32GB겨우 가능추정 4.8 tok/s (3.8–5.8, 보정된 추정 ±20%)

Apple M4에서 Gemma 4 31B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
UD-Q2_K_XL	11.77GB	겨우 가능	추정 7.3 tok/s5.9–8.8보정된 추정 ±20%	13.0 / 16.8GB	통합 메모리	—
IQ4_XS	16.37GB	겨우 가능	추정 3.5 tok/s2.5–4.6이론 추정 ±30%	RAM 17.0GB	CPU 전용	—
Q4_K_M기준	18.32GB	겨우 가능	추정 3.2 tok/s2.2–4.1이론 추정 ±30%	RAM 19.0GB	CPU 전용	—
Q8_0	32.64GB	불가	—	약 33.9GB가 필요한데, 여유 메모리는 20.0GB입니다(GPU가 쓸 수 있는 양 16.8GB).	—	—

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

가중치와 KV 캐시를 시스템 RAM에 둡니다. RAM 4GB는 OS 몫으로 빼고 계산합니다.

시스템 RAM

시스템 RAM의 가중치: 19.0GB

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	18.7GB겨우 가능 추정 3.2 tok/s2.3–4.2이론 추정 ±30%	18.5GB겨우 가능 추정 3.2 tok/s2.3–4.2이론 추정 ±30%	18.4GB겨우 가능 추정 3.3 tok/s2.3–4.2이론 추정 ±30%
8k	19.0GB겨우 가능 추정 3.2 tok/s2.2–4.1이론 추정 ±30%	18.7GB겨우 가능 추정 3.2 tok/s2.2–4.2이론 추정 ±30%	18.5GB겨우 가능 추정 3.2 tok/s2.3–4.2이론 추정 ±30%
16k	19.7GB겨우 가능 추정 3.1 tok/s2.1–4.0이론 추정 ±30%	19.0GB겨우 가능 추정 3.2 tok/s2.2–4.1이론 추정 ±30%	18.7GB겨우 가능 추정 3.2 tok/s2.2–4.2이론 추정 ±30%
32k	21.8GB미탑재	19.8GB겨우 가능 추정 3.0 tok/s2.1–3.9이론 추정 ±30%	19.1GB겨우 가능 추정 3.1 tok/s2.2–4.1이론 추정 ±30%
64k	24.8GB미탑재	22.3GB미탑재	19.9GB겨우 가능 추정 3.0 tok/s2.1–3.9이론 추정 ±30%
128k	30.8GB미탑재	25.8GB미탑재	23.1GB미탑재
256k	42.7GB미탑재	32.7GB미탑재	27.3GB미탑재

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.

예상 속도

생성: 추정 3.2 tok/s (2.2–4.1, 이론 추정 ±30%)
프롬프트 처리: 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.

이 조합의 벤치마크 결과

이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.

다른 선택지

Apple M4에서 원활하게 도는 더 작은 모델
쾌적
gpt-oss-20b: 쾌적, 추정 31.9 tok/s (25.5–38.3, 보정된 추정 ±20%)
Apple M5 Pro에서 Gemma 4 31B
원활
Q4_K_M: 원활, 추정 12.3 tok/s (9.8–14.7, 보정된 추정 ±20%)

실행 방법

Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.

파일: gemma-4-31B-it-Q4_K_M.gguf (18.32GB, unsloth/gemma-4-31B-it-GGUF).

llama.cpp

llama-server -hf unsloth/gemma-4-31B-it-GGUF:Q4_K_M -c 8192 -ngl 0 -fa on

-ngl 0: 전부 CPU에서 돌립니다.
-fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
--cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 0.36GB로 줄어듭니다.

올라마(Ollama)

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/unsloth/gemma-4-31B-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

Apple M4에서 Gemma 4 31B 돌릴 수 있나요?

Q4_K_M 파일 전체를 시스템 RAM(19.0GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 3.2 tok/s (2.2–4.1, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 19.0GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.

Apple M4에서 Gemma 4 31B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k(KV 1.3GB), q8_0 KV 캐시에서 32k(KV 1.4GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(18.32GB)입니다. 판정: 겨우 가능, 속도: 추정 3.2 tok/s (2.2–4.1, 이론 추정 ±30%). 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.