GeForce RTX 4070에서 gpt-oss-20b 돌릴 수 있을까?

겨우 가능MXFP4 기준으로 어텐션은 GPU(2.0GB)에, 전문가는 시스템 RAM(11.5GB)에 둡니다. 판정: 겨우 가능, 속도: 추정 18.5 tok/s (12.9–24.0, 이론 추정 ±30%).

오픈 라이선스 · Apache-2.0 llama.cpp 팀 · ggml-org리즈닝 모델

VRAM 12GB · 504.0 GB/s · FP16 29.1 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다. GeForce RTX 4070 Super도 메모리 구성이 같아서(12GB, 504.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다.

GeForce RTX 4070에서 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	겨우 가능	추정 18.5 tok/s12.9–24.0이론 추정 ±30%	2.0 / 12.0GB + RAM 11.5GB	MoE 전문가 RAM 배치	전문가를 시스템 RAM에서 돌립니다. 이 방식에서 원활하게 돌아가려면 30 tok/s 이상 나와야 합니다.

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.

GPU 메모리

시스템 RAM

가중치: 0.7GB
KV 캐시: 0.2GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 10.0GB
시스템 RAM의 가중치: 11.5GB

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	12.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	12.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	12.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%
8k	12.9GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	12.8GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	12.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%
16k	13.2GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	13.0GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	12.9GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%
32k	13.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	13.3GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	13.1GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%
64k	14.8GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	14.1GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	13.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%
128k	17.0GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	15.5GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%	14.7GB겨우 가능 추정 18.5 tok/s12.9–24.0이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

MXFP4 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k, q8_0에서 128k까지입니다.

예상 속도

생성: 추정 18.5 tok/s (12.9–24.0, 이론 추정 ±30%)
프롬프트 처리: 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.

판정 근거: 전문가를 시스템 RAM에서 돌립니다. 이 방식에서 원활하게 돌아가려면 30 tok/s 이상 나와야 합니다.

이 조합의 벤치마크 결과

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

다른 선택지

GeForce RTX 4070에서 원활하게 도는 더 작은 모델
쾌적
Qwen3 14B: 쾌적, 추정 34.1 tok/s (30.0–38.2, 보정된 추정 ±12%)
전문가만 시스템 RAM에 두기
--n-cpu-moe 24 설정은 모든 층의 전문가를 RAM에 둡니다. 이 추정도 그렇게 가정했습니다. 값을 5까지 줄여도 메모리에 들어가고, CPU에 두는 층이 적을수록 빨라집니다.

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 --n-cpu-moe 24 -fa on

-ngl all: 모든 층을 GPU에 올립니다.
--n-cpu-moe 24: 24개 층의 전문가를 모두 시스템 RAM에 둡니다. 이 추정도 같은 설정을 가정합니다.
값을 5까지 줄여도 메모리에 들어가고, CPU에 두는 층이 적을수록 생성이 빨라집니다.
-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

Ollama에는 전문가만 RAM에 두는 옵션이 없어서, 이 방식은 llama.cpp에서만 쓸 수 있습니다.

자주 묻는 질문

GeForce RTX 4070에서 gpt-oss-20b 돌릴 수 있나요?

MXFP4 기준으로 어텐션은 GPU(2.0GB)에, 전문가는 시스템 RAM(11.5GB)에 둡니다. 판정: 겨우 가능, 속도: 추정 18.5 tok/s (12.9–24.0, 이론 추정 ±30%). MXFP4에는 8k 컨텍스트 기준 12.9GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 4070에서 gpt-oss-20b 컨텍스트는 얼마까지 쓸 수 있나요?

MXFP4 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 128k(KV 3.2GB), q8_0 KV 캐시에서 128k(KV 1.7GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

등록된 파일은 MXFP4(12.11GB) 하나뿐입니다. 판정: 겨우 가능, 속도: 추정 18.5 tok/s (12.9–24.0, 이론 추정 ±30%).

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.