Apple M4에서 gpt-oss-20b 돌릴 수 있을까?

원활MXFP4 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 12.9GB를 씁니다. 판정: 원활, 속도: 추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%).

통합 메모리: 기본 설정에서는 GPU가 약 70%까지 쓸 수 있습니다오픈 라이선스 · Apache-2.0 llama.cpp 팀 · ggml-org리즈닝 모델

통합 메모리 24GB · 120.0 GB/s · FP16 8.5 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.

16GB불가
24GB원활추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%)
32GB원활추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%)

Apple M4에서 gpt-oss-20b: 양자화별 판정

등록된 GGUF 파일 1개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
MXFP4기준	12.11GB	원활	추정 15.7 tok/s12.6–18.9보정된 추정 ±20%	12.9 / 16.8GB	통합 메모리	—

리즈닝 모델은 생각하는 데 토큰을 더 쓰기 때문에 속도 기준을 1.5배 엄격하게 잡습니다(30 / 12 / 3 tok/s).

MXFP4 기준 메모리 사용 내역

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

통합 메모리

가중치: 12.1GB
KV 캐시: 0.2GB
연산 버퍼: 0.6GB
여유: 3.9GB
GPU가 못 쓰는 영역: 7.2GB

컨텍스트 길이와 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	12.7GB원활 추정 16.5 tok/s13.2–19.8보정된 추정 ±20%	12.7GB원활 추정 16.8 tok/s13.5–20.2보정된 추정 ±20%	12.7GB원활 추정 17.0 tok/s13.6–20.4보정된 추정 ±20%
8k	12.9GB원활 추정 15.7 tok/s12.6–18.9보정된 추정 ±20%	12.8GB원활 추정 16.4 tok/s13.1–19.7보정된 추정 ±20%	12.7GB원활 추정 16.8 tok/s13.4–20.2보정된 추정 ±20%
16k	13.2GB원활 추정 14.5 tok/s11.6–17.4보정된 추정 ±20%	13.0GB원활 추정 15.6 tok/s12.5–18.8보정된 추정 ±20%	12.9GB원활 추정 16.4 tok/s13.1–19.6보정된 추정 ±20%
32k	13.7GB원활 추정 12.5 tok/s10.0–14.9보정된 추정 ±20%	13.3GB원활 추정 14.3 tok/s11.4–17.2보정된 추정 ±20%	13.1GB원활 추정 15.5 tok/s12.4–18.7보정된 추정 ±20%
64k	14.8GB겨우 가능 추정 9.7 tok/s7.8–11.7보정된 추정 ±20%	14.1GB원활 추정 12.2 tok/s9.8–14.7보정된 추정 ±20%	13.7GB원활 추정 14.1 tok/s11.3–17.0보정된 추정 ±20%
128k	15.3GB겨우 가능 추정 6.8 tok/s4.7–8.8이론 추정 ±30%	15.5GB겨우 가능 추정 9.5 tok/s7.6–11.3보정된 추정 ±20%	14.7GB겨우 가능 추정 12.0 tok/s9.6–14.4보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

MXFP4 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 64k까지입니다.

예상 속도

생성: 추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%)
프롬프트 처리: 약 383 tok/s (230–536, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

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

다른 선택지

Apple M4 Pro에서 gpt-oss-20b
쾌적
MXFP4: 쾌적, 추정 35.8 tok/s (28.6–43.0, 보정된 추정 ±20%)

실행 방법

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

파일: gpt-oss-20b-MXFP4.gguf (12.11GB, ggml-org/gpt-oss-20b-GGUF).

llama.cpp

llama-server -hf ggml-org/gpt-oss-20b-GGUF:MXFP4 -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 0.11GB로 줄어듭니다.

Ollama

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/ggml-org/gpt-oss-20b-GGUF:MXFP4

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 gpt-oss-20b 돌릴 수 있나요?

MXFP4 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 12.9GB를 씁니다. 판정: 원활, 속도: 추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%). MXFP4에는 8k 컨텍스트 기준 12.9GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.

Apple M4에서 gpt-oss-20b 컨텍스트는 얼마까지 쓸 수 있나요?

MXFP4 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 0.8GB), q8_0 KV 캐시에서 64k(KV 0.9GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

등록된 파일은 MXFP4(12.11GB) 하나뿐입니다. 판정: 원활, 속도: 추정 15.7 tok/s (12.6–18.9, 보정된 추정 ±20%).

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.