Apple M4 Pro에서 Llama 3.1 8B 돌릴 수 있을까?
쾌적Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.6GB를 씁니다. 판정: 쾌적, 속도: 추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%).
통합 메모리 24GB · 273.0 GB/s · FP16 17.0 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.
- 24GB쾌적추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%)
- 48GB쾌적추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%)
- 64GB쾌적추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%)
Apple M4 Pro에서 Llama 3.1 8B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| Q2_K | 3.18GB | 쾌적 | 추정 38.5 tok/s30.8–46.2보정된 추정 ±20% | 4.8 / 16.8GB | 통합 메모리 | — |
| IQ4_XS | 4.45GB | 쾌적 | 추정 29.7 tok/s23.7–35.6보정된 추정 ±20% | 6.1 / 16.8GB | 통합 메모리 | — |
| Q4_K_M기준 | 4.92GB | 쾌적 | 추정 27.3 tok/s21.9–32.8보정된 추정 ±20% | 6.6 / 16.8GB | 통합 메모리 | — |
| Q8_0 | 8.54GB | 원활 | 추정 17.0 tok/s13.6–20.4보정된 추정 ±20% | 10.2 / 16.8GB | 통합 메모리 | — |
Q4_K_M 기준 메모리 사용 내역
- 가중치
- 4.9GB
- KV 캐시
- 1.1GB
- 연산 버퍼
- 0.6GB
- 여유
- 10.2GB
- GPU가 못 쓰는 영역
- 7.2GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 6.0GB쾌적 추정 30.0 tok/s24.0–36.0보정된 추정 ±20% | 5.7GB쾌적 추정 31.5 tok/s25.2–37.7보정된 추정 ±20% | 5.6GB쾌적 추정 32.3 tok/s25.8–38.7보정된 추정 ±20% |
| 8k | 6.6GB쾌적 추정 27.3 tok/s21.9–32.8보정된 추정 ±20% | 6.1GB쾌적 추정 29.8 tok/s23.8–35.8보정된 추정 ±20% | 5.8GB쾌적 추정 31.3 tok/s25.1–37.6보정된 추정 ±20% |
| 16k | 7.7GB쾌적 추정 23.2 tok/s18.5–27.8보정된 추정 ±20% | 6.7GB쾌적 추정 27.0 tok/s21.6–32.4보정된 추정 ±20% | 6.2GB쾌적 추정 29.6 tok/s23.7–35.5보정된 추정 ±20% |
| 32k | 10.0GB원활 추정 17.8 tok/s14.2–21.3보정된 추정 ±20% | 8.0GB쾌적 추정 22.7 tok/s18.2–27.2보정된 추정 ±20% | 6.9GB쾌적 추정 26.7 tok/s21.3–32.0보정된 추정 ±20% |
| 64k | 14.6GB원활 추정 12.1 tok/s9.7–14.5보정된 추정 ±20% | 10.6GB원활 추정 17.2 tok/s13.8–20.7보정된 추정 ±20% | 8.5GB쾌적 추정 22.2 tok/s17.8–26.7보정된 추정 ±20% |
| 128k | 23.8GB미탑재 | 15.8GB원활 추정 11.6 tok/s9.3–13.9보정된 추정 ±20% | 11.5GB원활 추정 16.7 tok/s13.3–20.0보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.
예상 속도
- 생성
- 추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 765 tok/s (459–1,071, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
Apple M4 Pro에서 원활하게 도는 더 큰 모델
원활Mistral Small 3.2 24B: 원활, 추정 10.5 tok/s (8.4–12.5, 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-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.
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
관련 페이지
자주 묻는 질문
Apple M4 Pro에서 Llama 3.1 8B 돌릴 수 있나요?
Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.6GB를 씁니다. 판정: 쾌적, 속도: 추정 27.3 tok/s (21.9–32.8, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 6.6GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.
Apple M4 Pro에서 Llama 3.1 8B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(쾌적)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: 쾌적, 속도: 추정 27.3 tok/s (21.9–32.8, 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.