Apple M4에서 Llama 3.1 8B 돌릴 수 있을까?

원활Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 6.6GB를 씁니다. 판정: 원활, 속도: 추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%).

통합 메모리: 기본 설정에서는 GPU가 약 70%까지 쓸 수 있습니다별도 약관 · Llama 3.1 · 상업적으로 쓰기 전 약관 확인 커뮤니티 GGUF · bartowski

통합 메모리 16GB · 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 16GB 구성 기준입니다. 다른 용량은 아래와 같습니다.

16GB원활추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%)
24GB원활추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%)
32GB원활추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%)

Apple M4에서 Llama 3.1 8B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
Q2_K	3.18GB	원활	추정 16.9 tok/s13.5–20.3보정된 추정 ±20%	4.8 / 11.2GB	통합 메모리	—
IQ4_XS	4.45GB	원활	추정 13.0 tok/s10.4–15.6보정된 추정 ±20%	6.1 / 11.2GB	통합 메모리	—
Q4_K_M기준	4.92GB	원활	추정 12.0 tok/s9.6–14.4보정된 추정 ±20%	6.6 / 11.2GB	통합 메모리	—
Q8_0	8.54GB	겨우 가능	추정 7.5 tok/s6.0–9.0보정된 추정 ±20%	10.2 / 11.2GB	통합 메모리	—

Q4_K_M 기준 메모리 사용 내역

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

통합 메모리

가중치: 4.9GB
KV 캐시: 1.1GB
연산 버퍼: 0.6GB
여유: 4.6GB
GPU가 못 쓰는 영역: 4.8GB

컨텍스트 길이와 KV 캐시

컨텍스트: 8k

KV 캐시f16q8_0q4_0

Q4_K_M 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	6.0GB원활 추정 13.2 tok/s10.6–15.8보정된 추정 ±20%	5.7GB원활 추정 13.8 tok/s11.1–16.6보정된 추정 ±20%	5.6GB원활 추정 14.2 tok/s11.4–17.0보정된 추정 ±20%
8k	6.6GB원활 추정 12.0 tok/s9.6–14.4보정된 추정 ±20%	6.1GB원활 추정 13.1 tok/s10.5–15.7보정된 추정 ±20%	5.8GB원활 추정 13.8 tok/s11.0–16.5보정된 추정 ±20%
16k	7.7GB원활 추정 10.2 tok/s8.2–12.2보정된 추정 ±20%	6.7GB원활 추정 11.9 tok/s9.5–14.2보정된 추정 ±20%	6.2GB원활 추정 13.0 tok/s10.4–15.6보정된 추정 ±20%
32k	10.0GB겨우 가능 추정 7.8 tok/s6.3–9.4보정된 추정 ±20%	8.0GB원활 추정 10.0 tok/s8.0–12.0보정된 추정 ±20%	6.9GB원활 추정 11.7 tok/s9.4–14.1보정된 추정 ±20%
64k	14.6GB미탑재	10.6GB겨우 가능 추정 7.6 tok/s6.1–9.1보정된 추정 ±20%	8.5GB원활 추정 9.8 tok/s7.8–11.7보정된 추정 ±20%
128k	23.8GB미탑재	15.8GB미탑재	9.8GB겨우 가능 추정 4.3 tok/s3.0–5.5이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.

예상 속도

생성: 추정 12.0 tok/s (9.6–14.4, 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 M4에서 원활하게 도는 더 큰 모델
원활
Gemma 3 12B: 원활, 추정 9.2 tok/s (7.3–11.0, 보정된 추정 ±20%)
Apple M4 Pro에서 Llama 3.1 8B
쾌적
Q4_K_M: 쾌적, 추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%)

실행 방법

Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.

파일: Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf (4.92GB, bartowski/Meta-Llama-3.1-8B-Instruct-GGUF).

llama.cpp

llama-server -hf bartowski/Meta-Llama-3.1-8B-Instruct-GGUF:Q4_K_M -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 0.57GB로 줄어듭니다.

Ollama

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/bartowski/Meta-Llama-3.1-8B-Instruct-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

자주 묻는 질문

Apple M4에서 Llama 3.1 8B 돌릴 수 있나요?

Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 6.6GB를 씁니다. 판정: 원활, 속도: 추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 6.6GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 11.2GB입니다.

Apple M4에서 Llama 3.1 8B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k(KV 2.1GB), q8_0 KV 캐시에서 32k(KV 2.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(4.92GB)입니다. 판정: 원활, 속도: 추정 12.0 tok/s (9.6–14.4, 보정된 추정 ±20%). 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.