Apple M4에서 Llama 3.3 70B 돌릴 수 있을까?
불가Q4_K_M에는 45.8GB가 필요해서, 쓸 수 있는 메모리 22.4GB보다 23.4GB가 모자랍니다. 대신 IQ2_M (품질 손실 큼) 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%).
통합 메모리 32GB · 120.0 GB/s · FP16 3.8 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.
메모리 용량별 판정
이 페이지는 32GB 구성 기준입니다. 다른 용량은 아래와 같습니다.
- 16GB불가Q4_K_M: 메모리에 안 들어감
- 24GB불가Q4_K_M: 메모리에 안 들어감
- 32GB불가IQ2_M (품질 손실 큼): 겨우 가능추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%)(이 페이지 기준)
Apple M4에서 Llama 3.3 70B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| IQ2_M | 24.12GB | 겨우 가능 | 추정 2.2 tok/s1.6–2.9이론 추정 ±30% | RAM 26.8GB | CPU 전용 | — |
| Q2_K | 26.38GB | 불가 | — | 약 29.6GB가 필요한데, 여유 메모리는 28.0GB입니다(GPU가 쓸 수 있는 양 22.4GB). | — | — |
| IQ4_XS | 37.90GB | 불가 | — | 약 41.2GB가 필요한데, 여유 메모리는 28.0GB입니다(GPU가 쓸 수 있는 양 22.4GB). | — | — |
| Q4_K_M기준 | 42.52GB | 불가 | — | 약 45.8GB가 필요한데, 여유 메모리는 28.0GB입니다(GPU가 쓸 수 있는 양 22.4GB). | — | — |
| Q8_0 | 74.98GB | 불가 | — | 약 78.2GB가 필요한데, 여유 메모리는 28.0GB입니다(GPU가 쓸 수 있는 양 22.4GB). | — | — |
IQ2_M 기준 메모리 사용 내역
- 시스템 RAM의 가중치
- 26.8GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 25.5GB겨우 가능 추정 2.4 tok/s1.6–3.1이론 추정 ±30% | 24.8GB겨우 가능 추정 2.4 tok/s1.7–3.1이론 추정 ±30% | 24.5GB겨우 가능 추정 2.4 tok/s1.7–3.2이론 추정 ±30% |
| 8k | 26.8GB겨우 가능 추정 2.2 tok/s1.6–2.9이론 추정 ±30% | 25.6GB겨우 가능 추정 2.3 tok/s1.6–3.1이론 추정 ±30% | 24.9GB겨우 가능 추정 2.4 tok/s1.7–3.1이론 추정 ±30% |
| 16k | 30.1GB미탑재 | 27.0GB겨우 가능 추정 2.2 tok/s1.6–2.9이론 추정 ±30% | 25.7GB겨우 가능 추정 2.3 tok/s1.6–3.0이론 추정 ±30% |
| 32k | 35.7GB미탑재 | 30.7GB미탑재 | 27.2GB겨우 가능 추정 2.2 tok/s1.5–2.9이론 추정 ±30% |
| 64k | 46.7GB미탑재 | 36.7GB미탑재 | 31.3GB미탑재 |
| 128k | 68.8GB미탑재 | 48.8GB미탑재 | 38.1GB미탑재 |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
IQ2_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.
예상 속도
- 생성
- 추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%)
- 프롬프트 처리
- 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
Apple M4에서 원활하게 도는 더 작은 모델
쾌적MiniCPM-V 4.7 35B-A3B: 쾌적, 추정 37.5 tok/s (30.0–45.0, 보정된 추정 ±20%)
Llama 3.3 70B의 더 낮은 양자화
겨우 가능IQ2_M(24.12GB, 품질 손실 큼): 겨우 가능, 추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%)
Apple M4 Pro에서 Llama 3.3 70B
겨우 가능Q4_K_M: 겨우 가능, 추정 3.0 tok/s (2.1–3.9, 이론 추정 ±30%)
실행 방법
IQ2_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
파일: Llama-3.3-70B-Instruct-IQ2_M.gguf (24.12GB, bartowski/Llama-3.3-70B-Instruct-GGUF).
llama-server -hf bartowski/Llama-3.3-70B-Instruct-GGUF:IQ2_M -c 8192 -ngl 0 -fa on- -ngl 0: 전부 CPU에서 돌립니다.
- -fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
- --cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 1.44GB로 줄어듭니다.
터미널:
OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/bartowski/Llama-3.3-70B-Instruct-GGUF:IQ2_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 M4에서 Llama 3.3 70B 돌릴 수 있나요?
Q4_K_M에는 45.8GB가 필요해서, 쓸 수 있는 메모리 22.4GB보다 23.4GB가 모자랍니다. 대신 IQ2_M (품질 손실 큼) 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%). IQ2_M에는 8k 컨텍스트 기준 26.8GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 22.4GB입니다.
Apple M4에서 Llama 3.3 70B 컨텍스트는 얼마까지 쓸 수 있나요?
IQ2_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k(KV 2.7GB), q8_0 KV 캐시에서 16k(KV 2.9GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 IQ2_M (품질 손실 큼)(24.12GB)입니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.6–2.9, 이론 추정 ±30%). 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.