GeForce RTX 4060에서 Llama 3.1 8B 돌릴 수 있을까?

쾌적Q4_K_M 파일이 VRAM에 전부 올라가고 0.8GB가 남습니다. 판정: 쾌적, 속도: 실측 38.1 tok/s (4k 컨텍스트, 1건; 8k 추정 31.8 tok/s, 28.0–35.6, 보정된 추정 ±12%).

별도 약관 · Llama 3.1 · 상업적으로 쓰기 전 약관 확인 커뮤니티 GGUF · bartowski

VRAM 8GB · 272.0 GB/s · FP16 15.1 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다.

GeForce RTX 4060에서 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	쾌적	추정 44.8 tok/s39.4–50.1보정된 추정 ±12%	5.4 / 8.0GB	풀 GPU	—
IQ4_XS	4.45GB	쾌적	추정 34.5 tok/s30.3–38.6보정된 추정 ±12%	6.7 / 8.0GB	풀 GPU	—
Q4_K_M기준	4.92GB	쾌적	38.1 tok/s8k 추정 31.8 tok/s (28.0–35.6, 보정된 추정 ±12%)실측 1건 (4k 컨텍스트)	7.2 / 8.0GB	풀 GPU	—
Q8_0	8.54GB	겨우 가능	추정 9.6 tok/s7.7–11.5보정된 추정 ±20%	8.0 / 8.0GB + RAM 2.8GB	부분 오프로드	GPU에 90%도 올라가지 않습니다. 이렇게 GPU와 CPU에 나눠 돌리면 겨우 돌아가는 수준에 그칩니다.

Q4_K_M 기준 메모리 사용 내역

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

GPU 메모리

가중치: 4.9GB
KV 캐시: 1.1GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 0.8GB

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	6.0GB쾌적 추정 34.9 tok/s30.7–39.1보정된 추정 ±12%	5.7GB쾌적 추정 36.6 tok/s32.2–41.0보정된 추정 ±12%	5.6GB쾌적 추정 37.5 tok/s33.0–42.0보정된 추정 ±12%
8k	6.6GB쾌적 38.1 tok/s8k 추정 31.8 tok/s (28.0–35.6, 보정된 추정 ±12%)실측 1건 (4k 컨텍스트)	6.1GB쾌적 추정 34.7 tok/s30.5–38.8보정된 추정 ±12%	5.8GB쾌적 추정 36.4 tok/s32.1–40.8보정된 추정 ±12%
16k	7.7GB원활 추정 22.3 tok/s17.8–26.7보정된 추정 ±20%	6.7GB쾌적 추정 31.4 tok/s27.6–35.1보정된 추정 ±12%	6.2GB쾌적 추정 34.4 tok/s30.3–38.5보정된 추정 ±12%
32k	10.0GB겨우 가능 추정 7.6 tok/s6.1–9.1보정된 추정 ±20%	8.0GB겨우 가능 추정 18.7 tok/s15.0–22.5보정된 추정 ±20%	6.9GB쾌적 추정 31.0 tok/s27.3–34.7보정된 추정 ±12%
64k	13.5GB겨우 가능 추정 3.3 tok/s2.7–4.0보정된 추정 ±20%	10.6GB겨우 가능 추정 6.4 tok/s5.1–7.7보정된 추정 ±20%	8.5GB겨우 가능 추정 15.2 tok/s12.1–18.2보정된 추정 ±20%
128k	22.1GB겨우 가능 추정 2.0 tok/s1.6–2.4보정된 추정 ±20%	14.1GB겨우 가능 추정 3.2 tok/s2.5–3.8보정된 추정 ±20%	11.5GB겨우 가능 추정 5.2 tok/s4.2–6.3보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.

예상 속도

생성: 실측 38.1 tok/s (4k 컨텍스트, 1건; 8k 추정 31.8 tok/s, 28.0–35.6, 보정된 추정 ±12%)
프롬프트 처리: 약 2,114 tok/s (1,268–2,960, 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 4060	Q4_K_M	llama.cpp	4k	1,528.0	38.1	ctx-weighted	localscore.ai	2026-08-09

다른 선택지

GeForce RTX 4060에서 원활하게 도는 더 큰 모델
원활
Qwen3.5 35B-A3B: 원활, 추정 20.4 tok/s (14.3–26.5, 이론 추정 ±30%)

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

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env: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

GeForce RTX 4060에서 Llama 3.1 8B 돌릴 수 있나요?

Q4_K_M 파일이 VRAM에 전부 올라가고 0.8GB가 남습니다. 판정: 쾌적, 속도: 실측 38.1 tok/s (4k 컨텍스트, 1건; 8k 추정 31.8 tok/s, 28.0–35.6, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 6.6GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 7.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 4060에서 Llama 3.1 8B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k(KV 1.1GB), q8_0 KV 캐시에서 16k(KV 1.1GB)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: 실측 38.1 tok/s (4k 컨텍스트, 1건; 8k 추정 31.8 tok/s, 28.0–35.6, 보정된 추정 ±12%). 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.