GeForce RTX 4070에서 Llama 3.1 8B 돌릴 수 있을까?

쾌적Q4_K_M 파일이 VRAM에 전부 올라가고 4.8GB가 남습니다. 판정: 쾌적, 속도: 추정 58.9 tok/s (51.8–65.9, 보정된 추정 ±12%).

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

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. 프롬프트 처리 속도: 이 GPU 약 4,074 tok/s (2,444–5,704, 대략적 추정 ±40%), GeForce RTX 4070 Super 약 4,970 tok/s (2,982–6,958, 대략적 추정 ±40%).

GeForce RTX 4070에서 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 82.9 tok/s73.0–92.9보정된 추정 ±12%	5.4 / 12.0GB	풀 GPU	—
IQ4_XS	4.45GB	쾌적	추정 63.9 tok/s56.2–71.5보정된 추정 ±12%	6.7 / 12.0GB	풀 GPU	—
Q4_K_M기준	4.92GB	쾌적	추정 58.9 tok/s51.8–65.9보정된 추정 ±12%	7.2 / 12.0GB	풀 GPU	—
Q8_0	8.54GB	쾌적	추정 36.7 tok/s32.3–41.1보정된 추정 ±12%	10.8 / 12.0GB	풀 GPU	—

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: 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	6.0GB쾌적 추정 64.7 tok/s56.9–72.4보정된 추정 ±12%	5.7GB쾌적 추정 67.8 tok/s59.6–75.9보정된 추정 ±12%	5.6GB쾌적 추정 69.5 tok/s61.2–77.9보정된 추정 ±12%
8k	6.6GB쾌적 추정 58.9 tok/s51.8–65.9보정된 추정 ±12%	6.1GB쾌적 추정 64.2 tok/s56.5–71.9보정된 추정 ±12%	5.8GB쾌적 추정 67.5 tok/s59.4–75.6보정된 추정 ±12%
16k	7.7GB쾌적 추정 49.9 tok/s43.9–55.9보정된 추정 ±12%	6.7GB쾌적 추정 58.1 tok/s51.2–65.1보정된 추정 ±12%	6.2GB쾌적 추정 63.8 tok/s56.1–71.4보정된 추정 ±12%
32k	10.0GB쾌적 추정 38.3 tok/s33.7–42.9보정된 추정 ±12%	8.0GB쾌적 추정 48.9 tok/s43.0–54.7보정된 추정 ±12%	6.9GB쾌적 추정 57.4 tok/s50.5–64.3보정된 추정 ±12%
64k	14.6GB겨우 가능 추정 4.8 tok/s3.8–5.7보정된 추정 ±20%	10.6GB쾌적 추정 37.1 tok/s32.6–41.5보정된 추정 ±12%	8.5GB쾌적 추정 47.9 tok/s42.1–53.6보정된 추정 ±12%
128k	22.1GB겨우 가능 추정 2.0 tok/s1.6–2.4보정된 추정 ±20%	15.8GB겨우 가능 추정 3.5 tok/s2.8–4.2보정된 추정 ±20%	11.5GB원활 추정 30.9 tok/s24.7–37.1보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 64k까지입니다.

예상 속도

생성: 추정 58.9 tok/s (51.8–65.9, 보정된 추정 ±12%)
프롬프트 처리: 약 4,074 tok/s (2,444–5,704, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

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

다른 선택지

GeForce RTX 4070에서 원활하게 도는 더 큰 모델
원활
Qwen3.5 35B-A3B: 원활, 추정 20.4 tok/s (14.3–26.5, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적
Q8_0(8.54GB): 쾌적, 추정 36.7 tok/s (32.3–41.1, 보정된 추정 ±12%)

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 4070에서 Llama 3.1 8B 돌릴 수 있나요?

Q4_K_M 파일이 VRAM에 전부 올라가고 4.8GB가 남습니다. 판정: 쾌적, 속도: 추정 58.9 tok/s (51.8–65.9, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 6.6GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 4070에서 Llama 3.1 8B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 4.3GB), q8_0 KV 캐시에서 64k(KV 4.6GB)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 58.9 tok/s (51.8–65.9, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(8.54GB)이고, 속도는 추정 36.7 tok/s (32.3–41.1, 보정된 추정 ±12%)입니다.

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.