Apple M4 Pro에서 Gemma 4 31B 돌릴 수 있을까?
겨우 가능Q4_K_M 파일 전체를 시스템 RAM(19.0GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 7.2 tok/s (5.0–9.3, 이론 추정 ±30%). 품질 손실이 큰 UD-Q2_K_XL까지 낮출 때의 판정: 원활, 속도: 추정 16.7 tok/s (13.3–20.0, 보정된 추정 ±20%).
통합 메모리 24GB · 273.0 GB/s · FP16 8.1 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.
- 24GB겨우 가능추정 7.2 tok/s (5.0–9.3, 이론 추정 ±30%)UD-Q2_K_XL (품질 손실 큼): 원활(이 페이지 기준)
- 48GB겨우 가능추정 10.9 tok/s (8.7–13.1, 보정된 추정 ±20%)IQ4_XS: 원활
- 64GB겨우 가능추정 10.9 tok/s (8.7–13.1, 보정된 추정 ±20%)IQ4_XS: 원활
Apple M4 Pro에서 Gemma 4 31B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 11.77GB | 원활 | 추정 16.7 tok/s13.3–20.0보정된 추정 ±20% | 13.0 / 16.8GB | 통합 메모리 | — |
| IQ4_XS | 16.37GB | 겨우 가능 | 추정 8.0 tok/s5.6–10.4이론 추정 ±30% | RAM 17.0GB | CPU 전용 | — |
| Q4_K_M기준 | 18.32GB | 겨우 가능 | 추정 7.2 tok/s5.0–9.3이론 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
- 시스템 RAM의 가중치
- 19.0GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 18.7GB겨우 가능 추정 7.3 tok/s5.1–9.5이론 추정 ±30% | 18.5GB겨우 가능 추정 7.4 tok/s5.2–9.6이론 추정 ±30% | 18.4GB겨우 가능 추정 7.4 tok/s5.2–9.6이론 추정 ±30% |
| 8k | 19.0GB겨우 가능 추정 7.2 tok/s5.0–9.3이론 추정 ±30% | 18.7GB겨우 가능 추정 7.3 tok/s5.1–9.5이론 추정 ±30% | 18.5GB겨우 가능 추정 7.4 tok/s5.2–9.6이론 추정 ±30% |
| 16k | 19.7GB겨우 가능 추정 6.9 tok/s4.9–9.0이론 추정 ±30% | 19.0GB겨우 가능 추정 7.2 tok/s5.0–9.3이론 추정 ±30% | 18.7GB겨우 가능 추정 7.3 tok/s5.1–9.5이론 추정 ±30% |
| 32k | 21.8GB미탑재 | 19.8GB겨우 가능 추정 6.9 tok/s4.8–9.0이론 추정 ±30% | 19.1GB겨우 가능 추정 7.2 tok/s5.0–9.3이론 추정 ±30% |
| 64k | 24.8GB미탑재 | 22.3GB미탑재 | 19.9GB겨우 가능 추정 6.9 tok/s4.8–8.9이론 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 7.2 tok/s (5.0–9.3, 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 M4 Pro에서 원활하게 도는 더 작은 모델
원활Mistral Small 3.2 24B: 원활, 추정 13.2 tok/s (10.6–15.9, 보정된 추정 ±20%)
Gemma 4 31B의 더 낮은 양자화
원활UD-Q2_K_XL(11.77GB, 품질 손실 큼): 원활, 추정 16.7 tok/s (13.3–20.0, 보정된 추정 ±20%)
Apple M5 Pro에서 Gemma 4 31B
원활Q4_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-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.
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
관련 페이지
자주 묻는 질문
Apple M4 Pro에서 Gemma 4 31B 돌릴 수 있나요?
Q4_K_M 파일 전체를 시스템 RAM(19.0GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 7.2 tok/s (5.0–9.3, 이론 추정 ±30%). 품질 손실이 큰 UD-Q2_K_XL까지 낮출 때의 판정: 원활, 속도: 추정 16.7 tok/s (13.3–20.0, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 19.0GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.
Apple M4 Pro에서 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 7.2 tok/s (5.0–9.3, 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.