GeForce RTX 5090에서 gpt-oss-120b 돌릴 수 있을까?

불가MXFP4에는 63.6GB가 필요해서, 쓸 수 있는 메모리 31.4GB보다 32.2GB가 모자랍니다. 시스템 RAM 64GB 구성의 판정: 원활, 속도: 추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%).

오픈 라이선스 · Apache-2.0 llama.cpp 팀 · ggml-org생각 모드

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 RAM 용량별 판정

이 페이지는 시스템 RAM 32GB를 기준으로 계산했습니다. 이 조합은 RAM 용량에 따라 판정이 달라집니다.

16GB불가MXFP4: 메모리에 안 들어감
32GB불가MXFP4: 메모리에 안 들어감(이 페이지 기준)
64GB원활추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)(아래 명령 기준)
96GB원활추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)
128GB원활추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)

GeForce RTX 5090에서 gpt-oss-120b: 양자화별 판정

등록된 GGUF 파일 1개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
MXFP4기준	63.39GB	불가	—	약 63.6GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다.	—	—

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.

MXFP4 기준 메모리 사용 내역

아래 메모리·컨텍스트·속도 수치는 시스템 RAM 64GB 구성(위에서 안내한 RAM 용량) 기준입니다. 32GB로는 어떤 양자화 파일도 들어가지 않습니다.

가중치·KV 캐시·연산 버퍼는 모델이 쓰고, OS 예약은 화면 출력 드라이버가 씁니다.

GPU 메모리

시스템 RAM

가중치: 27.1GB
KV 캐시: 0.3GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 3.4GB
시스템 RAM의 가중치: 36.3GB

시스템 RAM·컨텍스트 길이·KV 캐시

컨텍스트: 8k

KV 캐시f16q8_0q4_0

MXFP4 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	63.4GB원활 추정 37.1 tok/s26.0–48.3이론 추정 ±30%	63.4GB원활 추정 37.2 tok/s26.1–48.4이론 추정 ±30%	63.3GB원활 추정 37.3 tok/s26.1–48.4이론 추정 ±30%
8k	63.6GB원활 추정 35.5 tok/s24.8–46.1이론 추정 ±30%	63.5GB원활 추정 37.1 tok/s26.0–48.3이론 추정 ±30%	63.4GB원활 추정 37.2 tok/s26.1–48.4이론 추정 ±30%
16k	64.0GB원활 추정 35.2 tok/s24.6–45.7이론 추정 ±30%	63.7GB원활 추정 35.5 tok/s24.8–46.1이론 추정 ±30%	63.6GB원활 추정 37.1 tok/s26.0–48.3이론 추정 ±30%
32k	64.8GB원활 추정 34.6 tok/s24.2–45.0이론 추정 ±30%	64.2GB원활 추정 35.1 tok/s24.6–45.7이론 추정 ±30%	63.9GB원활 추정 35.4 tok/s24.8–46.1이론 추정 ±30%
64k	66.3GB원활 추정 32.3 tok/s22.6–41.9이론 추정 ±30%	65.2GB원활 추정 34.5 tok/s24.2–44.9이론 추정 ±30%	64.5GB원활 추정 35.1 tok/s24.6–45.6이론 추정 ±30%
128k	69.3GB겨우 가능 추정 28.4 tok/s19.9–36.9이론 추정 ±30%	67.0GB원활 추정 31.0 tok/s21.7–40.3이론 추정 ±30%	65.8GB원활 추정 33.1 tok/s23.2–43.1이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

시스템 RAM 64GB 기준: MXFP4 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k, q8_0에서 128k까지입니다.

예상 속도

생성: 시스템 RAM 64GB 기준: 추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)
프롬프트 처리: 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.

판정 근거: 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다.

이 조합의 벤치마크 결과

보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.

이 조합의 벤치마크 결과
하드웨어	양자화	백엔드	컨텍스트	프롬프트 (tok/s)	생성 (tok/s)	플래그	출처	측정일
GeForce RTX 5090	MXFP4	llama.cpp	4k	—	9.6	--n-cpu-moe 21, DDR4 server	hardware-corner.net	2026-08-09

다른 선택지

GeForce RTX 5090에서 원활하게 도는 더 작은 모델
원활
Kolibri 1: 원활, 추정 83.3 tok/s (58.3–108.3, 이론 추정 ±30%)
같은 GPU에 시스템 RAM 64GB
원활
MXFP4: 원활, 추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)

실행 방법

MXFP4 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.

아래 명령은 시스템 RAM 64GB 구성(위에서 안내한 RAM 용량)을 기준으로 합니다. RAM 용량이 다르면 위 ‘시스템 RAM·컨텍스트 길이·KV 캐시’에서 용량을 고르세요. 그 용량에 맞는 명령이 나옵니다.

파일: gpt-oss-120b-MXFP4.gguf (63.39GB, ggml-org/gpt-oss-120b-GGUF).

llama.cpp

llama-server -hf ggml-org/gpt-oss-120b-GGUF:MXFP4 -c 8192 -ngl all --n-cpu-moe 21 -fa on

-ngl all: 모든 층을 GPU에 올립니다.
--n-cpu-moe 21: 앞쪽 21개 층에 있는 전문가는 시스템 RAM에 두고, 전문가가 있는 나머지 15개 층은 전문가까지 GPU에 둡니다. 이 추정도 같은 배치로 계산했습니다.
불러올 때 메모리가 부족하다는 오류가 나면 값을 22까지 올리고, 그래도 부족하면 23까지 올리세요.
llama.cpp b7410(2025년 12월) 이후 버전은 -ngl과 --n-cpu-moe를 빼고 실행해도 VRAM에 맞춰 비슷하게 나눠 올립니다.
-fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
--cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 0.16GB로 줄어듭니다.

올라마(Ollama)

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/ggml-org/gpt-oss-120b-GGUF:MXFP4

Ollama는 24GB 미만 GPU에서 컨텍스트 기본값이 4k입니다. 서버를 띄울 때 OLLAMA_CONTEXT_LENGTH를 지정하거나, 대화 안에서 /set parameter num_ctx를 쓰세요.
Ollama 0.30 이상은 VRAM에 맞춰 전문가 일부를 시스템 RAM에 자동으로 둡니다. 그보다 오래된 버전은 층을 통째로 나눠 올려서 훨씬 느립니다.
/set parameter num_ctx 8192

자주 묻는 질문

GeForce RTX 5090에서 gpt-oss-120b 돌릴 수 있나요?

MXFP4에는 63.6GB가 필요해서, 쓸 수 있는 메모리 31.4GB보다 32.2GB가 모자랍니다. 시스템 RAM 64GB 구성의 판정: 원활, 속도: 추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%). MXFP4에는 8k 컨텍스트 기준 63.6GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5090에서 gpt-oss-120b 컨텍스트는 얼마까지 쓸 수 있나요?

시스템 RAM 64GB 기준: MXFP4 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k(KV 2.4GB), q8_0 KV 캐시에서 128k(KV 2.6GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

RAM 32GB로는 돌아가는 양자화 파일이 없습니다. RAM 64GB 구성이라면 MXFP4 파일이 돌아갑니다(판정: 원활). 속도는 추정 35.5 tok/s (24.8–46.1, 이론 추정 ±30%)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.