GeForce RTX 5090에서 gpt-oss-20b 돌릴 수 있을까?

쾌적MXFP4 파일이 VRAM에 전부 올라가고 18.5GB가 남습니다. 판정: 쾌적, 속도: 실측 282.3 tok/s (2k 컨텍스트, 1건; 8k 추정 235.0 tok/s, 188.0–282.0, 보정된 추정 ±20%).

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

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.

GeForce RTX 5090에서 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	쾌적	282.3 tok/s8k 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)실측 1건 (2k 컨텍스트)	13.5 / 32.0GB	풀 GPU	—

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

가중치: 12.1GB
KV 캐시: 0.2GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 18.5GB

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	12.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	12.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	12.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%
8k	12.9GB쾌적 282.3 tok/s8k 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)실측 1건 (2k 컨텍스트)	12.8GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	12.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%
16k	13.2GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	13.0GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	12.9GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%
32k	13.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	13.3GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	13.1GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%
64k	14.8GB쾌적 추정 218.1 tok/s174.5–261.8보정된 추정 ±20%	14.1GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	13.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%
128k	17.0GB쾌적 추정 151.9 tok/s121.6–182.3보정된 추정 ±20%	15.5GB쾌적 추정 211.7 tok/s169.4–254.0보정된 추정 ±20%	14.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

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

예상 속도

생성: 실측 282.3 tok/s (2k 컨텍스트, 1건; 8k 추정 235.0 tok/s, 188.0–282.0, 보정된 추정 ±20%)
프롬프트 처리: 약 14,672 tok/s (8,803–20,541, 대략적 추정 ±40%)

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	2k	9,841.0	282.3	—	github.com	2025-08-15

다른 선택지

GeForce RTX 5090에서 원활하게 도는 더 큰 모델
쾌적
Qwen3.5 35B-A3B: 쾌적, 추정 235.0 tok/s (188.0–282.0, 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

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env: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

GeForce RTX 5090에서 gpt-oss-20b 돌릴 수 있나요?

MXFP4 파일이 VRAM에 전부 올라가고 18.5GB가 남습니다. 판정: 쾌적, 속도: 실측 282.3 tok/s (2k 컨텍스트, 1건; 8k 추정 235.0 tok/s, 188.0–282.0, 보정된 추정 ±20%). MXFP4에는 8k 컨텍스트 기준 12.9GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5090에서 gpt-oss-20b 컨텍스트는 얼마까지 쓸 수 있나요?

MXFP4 기준으로 판정(쾌적)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: 쾌적, 속도: 실측 282.3 tok/s (2k 컨텍스트, 1건; 8k 추정 235.0 tok/s, 188.0–282.0, 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.