GeForce RTX 3090에서 Llama 3.3 70B 돌릴 수 있을까?
불가Q4_K_M 파일은 메모리(45.2GB)에 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. 속도는 추정 1.8 tok/s (1.4–2.1, 보정된 추정 ±20%)입니다. 대신 IQ4_XS 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%).
VRAM 24GB · 936.0 GB/s · FP16 35.6 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다.
시스템 RAM 용량별 판정
이 페이지는 시스템 RAM 32GB를 기준으로 계산했습니다. 판정은 같지만, RAM 용량에 따라 메모리에 들어가는 파일이 달라집니다.
- 16GB불가Q2_K (품질 손실 큼): 겨우 가능추정 5.3 tok/s (4.3–6.4, 보정된 추정 ±20%)
- 32GB불가IQ4_XS: 겨우 가능추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)(이 페이지 기준)
- 64GB불가IQ4_XS: 겨우 가능추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)
- 96GB불가IQ4_XS: 겨우 가능추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)
- 128GB불가IQ4_XS: 겨우 가능추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)
GeForce RTX 3090에서 Llama 3.3 70B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| IQ2_M | 24.12GB | 겨우 가능 | 추정 7.5 tok/s6.0–9.0보정된 추정 ±20% | 24.0 / 24.0GB + RAM 4.0GB | 부분 오프로드 | — |
| Q2_K | 26.38GB | 겨우 가능 | 추정 5.3 tok/s4.3–6.4보정된 추정 ±20% | 24.0 / 24.0GB + RAM 6.2GB | 부분 오프로드 | — |
| IQ4_XS | 37.90GB | 겨우 가능 | 추정 2.2 tok/s1.7–2.6보정된 추정 ±20% | 24.0 / 24.0GB + RAM 17.8GB | 부분 오프로드 | — |
| Q4_K_M기준 | 42.52GB | 불가 | 추정 1.8 tok/s1.4–2.1보정된 추정 ±20% | 24.0 / 24.0GB + RAM 22.4GB | 부분 오프로드 | 메모리에는 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. |
| Q8_0 | 74.98GB | 불가 | — | 약 77.1GB가 필요한데, 쓸 수 있는 VRAM은 23.4GB, 여유 RAM은 28.0GB입니다. | — | — |
IQ4_XS 기준 메모리 사용 내역
- 가중치
- 20.1GB
- KV 캐시
- 2.7GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 시스템 RAM의 가중치
- 17.8GB
시스템 RAM·컨텍스트 길이·KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 39.2GB겨우 가능 추정 2.4 tok/s1.9–2.9보정된 추정 ±20% | 38.6GB겨우 가능 추정 2.5 tok/s2.0–3.1보정된 추정 ±20% | 38.3GB겨우 가능 추정 2.6 tok/s2.1–3.1보정된 추정 ±20% |
| 8k | 40.6GB겨우 가능 추정 2.2 tok/s1.7–2.6보정된 추정 ±20% | 39.3GB겨우 가능 추정 2.4 tok/s1.9–2.9보정된 추정 ±20% | 38.7GB겨우 가능 추정 2.5 tok/s2.0–3.0보정된 추정 ±20% |
| 16k | 43.3GB불가 추정 1.8 tok/s1.4–2.2보정된 추정 ±20% | 40.9GB겨우 가능 추정 2.1 tok/s1.7–2.6보정된 추정 ±20% | 39.5GB겨우 가능 추정 2.4 tok/s1.9–2.9보정된 추정 ±20% |
| 32k | 48.9GB불가 추정 1.3 tok/s1.0–1.6보정된 추정 ±20% | 43.9GB불가 추정 1.8 tok/s1.4–2.1보정된 추정 ±20% | 41.2GB겨우 가능 추정 2.1 tok/s1.7–2.5보정된 추정 ±20% |
| 64k | 59.9GB미탑재 | 49.9GB불가 추정 1.2 tok/s1.0–1.5보정된 추정 ±20% | 44.6GB불가 추정 1.7 tok/s1.4–2.0보정된 추정 ±20% |
| 128k | 82.0GB미탑재 | 62.0GB미탑재 | 51.3GB미탑재 |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
IQ4_XS 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.
예상 속도
- 생성
- 추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)
- 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
GeForce RTX 3090에서 원활하게 도는 더 작은 모델
원활K2-Horizon MoVA 36B-A4B: 원활, 추정 79.2 tok/s (55.5–103.0, 이론 추정 ±30%)
Llama 3.3 70B의 더 낮은 양자화
겨우 가능IQ4_XS(37.90GB): 겨우 가능, 추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%)
실행 방법
IQ4_XS 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
아래 명령은 시스템 RAM 32GB를 기준으로 합니다. RAM 용량이 다르면 위 ‘시스템 RAM·컨텍스트 길이·KV 캐시’에서 용량을 고르세요. 그 용량에 맞는 명령이 나옵니다.
파일: Llama-3.3-70B-Instruct-IQ4_XS.gguf (37.90GB, bartowski/Llama-3.3-70B-Instruct-GGUF).
llama-server -hf bartowski/Llama-3.3-70B-Instruct-GGUF:IQ4_XS -c 8192 -ngl 42 -fa on- -ngl 42: 전체 80층 중 42층을 GPU에 올립니다. VRAM이 넘치면 1~2 줄이세요.
- -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.
PowerShell(트레이의 Ollama를 먼저 종료하세요):
$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/bartowski/Llama-3.3-70B-Instruct-GGUF:IQ4_XS- Ollama는 24GB 미만 GPU에서 컨텍스트 기본값이 4k입니다. 서버를 띄울 때 OLLAMA_CONTEXT_LENGTH를 지정하거나, 대화 안에서 /set parameter num_ctx를 쓰세요.
- Ollama는 GPU와 CPU에 층을 자동으로 나눕니다.
/set parameter num_ctx 8192
관련 페이지
가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)
GeForce RTX 3090에서 다른 모델
다른 하드웨어에서 Llama 3.3 70B
자주 묻는 질문
GeForce RTX 3090에서 Llama 3.3 70B 돌릴 수 있나요?
Q4_K_M 파일은 메모리(45.2GB)에 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. 속도는 추정 1.8 tok/s (1.4–2.1, 보정된 추정 ±20%)입니다. 대신 IQ4_XS 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.7–2.6, 보정된 추정 ±20%). IQ4_XS에는 8k 컨텍스트 기준 40.6GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 3090에서 Llama 3.3 70B 컨텍스트는 얼마까지 쓸 수 있나요?
IQ4_XS 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 IQ4_XS(37.90GB)입니다. 판정: 겨우 가능, 속도: 추정 2.2 tok/s (1.7–2.6, 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.