GeForce RTX 5090에서 Llama 3.3 70B 돌릴 수 있을까?

겨우 가능Q4_K_M 기준으로는 VRAM에 다 들어가지 않아 가중치 14.4GB를 시스템 RAM에서 돌립니다. 판정: 겨우 가능, 속도: 추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%). 품질 손실이 큰 Q2_K까지 낮출 때의 판정: 쾌적, 속도: 추정 43.2 tok/s (38.0–48.3, 보정된 추정 ±12%).

별도 약관 · Llama 3.3 · 상업적으로 쓰기 전 약관 확인 커뮤니티 GGUF · bartowski

VRAM 32GB · 1,792.0 GB/s · FP16 104.8 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. 이 조합은 RAM 용량에 따라 판정이 달라집니다.

16GB불가IQ4_XS: 겨우 가능추정 3.9 tok/s (3.1–4.7, 보정된 추정 ±20%)Q2_K (품질 손실 큼): 쾌적
32GB겨우 가능추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%)Q2_K (품질 손실 큼): 쾌적(이 페이지 기준)
64GB겨우 가능추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%)Q2_K (품질 손실 큼): 쾌적
96GB겨우 가능추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%)Q2_K (품질 손실 큼): 쾌적
128GB겨우 가능추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%)Q2_K (품질 손실 큼): 쾌적

GeForce RTX 5090에서 Llama 3.3 70B: 양자화별 판정

등록된 GGUF 파일 5개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
IQ2_M	24.12GB	쾌적	추정 46.8 tok/s41.2–52.4보정된 추정 ±12%	27.5 / 32.0GB	풀 GPU	—
Q2_K	26.38GB	쾌적	추정 43.2 tok/s38.0–48.3보정된 추정 ±12%	29.9 / 32.0GB	풀 GPU	—
IQ4_XS	37.90GB	겨우 가능	추정 3.9 tok/s3.1–4.7보정된 추정 ±20%	32.0 / 32.0GB + RAM 9.8GB	부분 오프로드	—
Q4_K_M기준	42.52GB	겨우 가능	추정 2.7 tok/s2.2–3.3보정된 추정 ±20%	32.0 / 32.0GB + RAM 14.4GB	부분 오프로드	—
Q8_0	74.98GB	불가	—	약 77.1GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다.	—	—

Q4_K_M 기준 메모리 사용 내역

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

GPU 메모리

시스템 RAM

가중치: 28.1GB
KV 캐시: 2.7GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
시스템 RAM의 가중치: 14.4GB

시스템 RAM·컨텍스트 길이·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	43.8GB겨우 가능 추정 3.1 tok/s2.5–3.7보정된 추정 ±20%	43.2GB겨우 가능 추정 3.3 tok/s2.6–3.9보정된 추정 ±20%	42.8GB겨우 가능 추정 3.4 tok/s2.7–4.1보정된 추정 ±20%
8k	45.2GB겨우 가능 추정 2.7 tok/s2.2–3.3보정된 추정 ±20%	43.9GB겨우 가능 추정 3.1 tok/s2.4–3.7보정된 추정 ±20%	43.3GB겨우 가능 추정 3.3 tok/s2.6–3.9보정된 추정 ±20%
16k	47.9GB겨우 가능 추정 2.2 tok/s1.8–2.6보정된 추정 ±20%	45.4GB겨우 가능 추정 2.7 tok/s2.1–3.2보정된 추정 ±20%	44.1GB겨우 가능 추정 3.0 tok/s2.4–3.6보정된 추정 ±20%
32k	53.5GB불가 추정 1.5 tok/s1.2–1.8보정된 추정 ±20%	48.5GB겨우 가능 추정 2.1 tok/s1.7–2.6보정된 추정 ±20%	45.8GB겨우 가능 추정 2.6 tok/s2.1–3.1보정된 추정 ±20%
64k	64.5GB미탑재	54.5GB불가 추정 1.4 tok/s1.2–1.7보정된 추정 ±20%	49.1GB겨우 가능 추정 2.0 tok/s1.6–2.4보정된 추정 ±20%
128k	86.6GB미탑재	66.6GB미탑재	55.9GB불가 추정 1.4 tok/s1.1–1.6보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.

예상 속도

생성: 추정 2.7 tok/s (2.2–3.3, 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 5090에서 원활하게 도는 더 작은 모델
쾌적
K2-Horizon MoVA 36B-A4B: 쾌적, 추정 149.6 tok/s (104.7–194.5, 이론 추정 ±30%)
Llama 3.3 70B의 더 낮은 양자화
쾌적
Q2_K(26.38GB, 품질 손실 큼): 쾌적, 추정 43.2 tok/s (38.0–48.3, 보정된 추정 ±12%)

실행 방법

Q4_K_M 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-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 52 -fa on

-ngl 52: 전체 80층 중 52층을 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.

올라마(Ollama)

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env: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.
Ollama는 GPU와 CPU에 층을 자동으로 나눕니다.
/set parameter num_ctx 8192

자주 묻는 질문

GeForce RTX 5090에서 Llama 3.3 70B 돌릴 수 있나요?

Q4_K_M 기준으로는 VRAM에 다 들어가지 않아 가중치 14.4GB를 시스템 RAM에서 돌립니다. 판정: 겨우 가능, 속도: 추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%). 품질 손실이 큰 Q2_K까지 낮출 때의 판정: 쾌적, 속도: 추정 43.2 tok/s (38.0–48.3, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 45.2GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5090에서 Llama 3.3 70B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k(KV 5.4GB), q8_0 KV 캐시에서 32k(KV 5.7GB)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 2.7 tok/s (2.2–3.3, 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.