Apple M4 Pro에서 Llama 3.3 70B 돌릴 수 있을까?

겨우 가능Q4_K_M 파일 전체를 시스템 RAM(45.2GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 3.0 tok/s (2.1–3.9, 이론 추정 ±30%).

통합 메모리: 기본 설정에서는 GPU가 약 70%까지 쓸 수 있습니다별도 약관 · Llama 3.3 · 상업적으로 쓰기 전 약관 확인 커뮤니티 GGUF · bartowski

통합 메모리 64GB · 273.0 GB/s · FP16 8.1 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.

메모리 용량별 판정

이 페이지는 64GB 구성 기준입니다. 다른 용량은 아래와 같습니다.

24GB불가Q4_K_M: 메모리에 안 들어감
48GB불가IQ4_XS: 겨우 가능추정 3.4 tok/s (2.4–4.4, 이론 추정 ±30%)
64GB겨우 가능추정 3.0 tok/s (2.1–3.9, 이론 추정 ±30%)(이 페이지 기준)

Apple M4 Pro에서 Llama 3.3 70B: 양자화별 판정

등록된 GGUF 파일 5개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
IQ2_M	24.12GB	겨우 가능	추정 7.7 tok/s6.2–9.3보정된 추정 ±20%	27.4 / 44.8GB	통합 메모리	—
Q2_K	26.38GB	겨우 가능	추정 7.1 tok/s5.7–8.6보정된 추정 ±20%	29.6 / 44.8GB	통합 메모리	—
IQ4_XS	37.90GB	겨우 가능	추정 5.1 tok/s4.1–6.1보정된 추정 ±20%	41.2 / 44.8GB	통합 메모리	—
Q4_K_M기준	42.52GB	겨우 가능	추정 3.0 tok/s2.1–3.9이론 추정 ±30%	RAM 45.2GB	CPU 전용	—
Q8_0	74.98GB	불가	—	약 78.2GB가 필요한데, 여유 메모리는 60.0GB입니다(GPU가 쓸 수 있는 양 44.8GB).	—	—

Q4_K_M 기준 메모리 사용 내역

가중치와 KV 캐시를 시스템 RAM에 둡니다. RAM 4GB는 OS 몫으로 빼고 계산합니다.

시스템 RAM

시스템 RAM의 가중치: 45.2GB

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	44.4GB겨우 가능 추정 4.7 tok/s3.8–5.7보정된 추정 ±20%	43.8GB겨우 가능 추정 4.8 tok/s3.8–5.8보정된 추정 ±20%	43.4GB겨우 가능 추정 4.8 tok/s3.9–5.8보정된 추정 ±20%
8k	45.2GB겨우 가능 추정 3.0 tok/s2.1–3.9이론 추정 ±30%	44.5GB겨우 가능 추정 4.7 tok/s3.8–5.7보정된 추정 ±20%	43.9GB겨우 가능 추정 4.8 tok/s3.8–5.8보정된 추정 ±20%
16k	47.9GB겨우 가능 추정 2.9 tok/s2.0–3.7이론 추정 ±30%	45.4GB겨우 가능 추정 3.0 tok/s2.1–3.9이론 추정 ±30%	44.7GB겨우 가능 추정 4.7 tok/s3.8–5.7보정된 추정 ±20%
32k	53.3GB겨우 가능 추정 2.6 tok/s1.8–3.3이론 추정 ±30%	48.3GB겨우 가능 추정 2.8 tok/s2.0–3.7이론 추정 ±30%	45.6GB겨우 가능 추정 3.0 tok/s2.1–3.9이론 추정 ±30%
64k	65.1GB미탑재	54.0GB겨우 가능 추정 2.5 tok/s1.8–3.3이론 추정 ±30%	48.6GB겨우 가능 추정 2.8 tok/s2.0–3.6이론 추정 ±30%
128k	87.2GB미탑재	67.2GB미탑재	54.8GB겨우 가능 추정 2.5 tok/s1.7–3.2이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

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

예상 속도

생성: 추정 3.0 tok/s (2.1–3.9, 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 M4 Pro에서 원활하게 도는 더 작은 모델
쾌적
K2-Horizon MoVA 36B-A4B: 쾌적, 추정 36.8 tok/s (25.8–47.8, 이론 추정 ±30%)
Apple M4 Max (40-core GPU)에서 Llama 3.3 70B
원활
Q4_K_M: 원활, 추정 9.2 tok/s (7.3–11.0, 보정된 추정 ±20%)

실행 방법

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

파일: Llama-3.3-70B-Instruct-Q4_K_M.gguf (42.52GB, bartowski/Llama-3.3-70B-Instruct-GGUF).

llama.cpp

llama-server -hf bartowski/Llama-3.3-70B-Instruct-GGUF:Q4_K_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.

올라마(Ollama)

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/bartowski/Llama-3.3-70B-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 M4 Pro에서 Llama 3.3 70B 돌릴 수 있나요?

Q4_K_M 파일 전체를 시스템 RAM(45.2GB)에서 돌립니다. 판정: 겨우 가능, 속도: 추정 3.0 tok/s (2.1–3.9, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 45.2GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 44.8GB입니다.

Apple M4 Pro에서 Llama 3.3 70B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 10.7GB), q8_0 KV 캐시에서 64k(KV 11.5GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 128k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(42.52GB)입니다. 판정: 겨우 가능, 속도: 추정 3.0 tok/s (2.1–3.9, 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.