GeForce RTX 5070에서 Qwen3 14B 돌릴 수 있을까?

쾌적Q4_K_M 파일이 VRAM에 전부 올라가고 0.5GB가 남습니다. 판정: 쾌적, 속도: 추정 45.5 tok/s (40.0–50.9, 보정된 추정 ±12%).

오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth

VRAM 12GB · 672.0 GB/s · FP16 30.9 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다. GeForce RTX 5070 Ti Laptop도 메모리 구성이 같아서(12GB, 672.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다. 프롬프트 처리 속도: 이 GPU 약 4,326 tok/s (2,596–6,056, 대략적 추정 ±40%), GeForce RTX 5070 Ti Laptop 약 4,200 tok/s (2,520–5,880, 대략적 추정 ±40%).

GeForce RTX 5070에서 Qwen3 14B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
Q2_K	5.75GB	쾌적	추정 66.3 tok/s58.4–74.3보정된 추정 ±12%	8.3 / 12.0GB	풀 GPU	—
IQ4_XS	8.14GB	쾌적	추정 49.6 tok/s43.7–55.6보정된 추정 ±12%	10.7 / 12.0GB	풀 GPU	—
Q4_K_M기준	9.00GB	쾌적	추정 45.5 tok/s40.0–50.9보정된 추정 ±12%	11.5 / 12.0GB	풀 GPU	—
Q8_0	15.70GB	겨우 가능	추정 5.8 tok/s4.6–7.0보정된 추정 ±20%	12.0 / 12.0GB + RAM 6.2GB	부분 오프로드	—

Q4_K_M 기준 메모리 사용 내역

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

GPU 메모리

가중치: 9.0GB
KV 캐시: 1.3GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 0.5GB

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	10.2GB쾌적 추정 48.6 tok/s42.8–54.5보정된 추정 ±12%	9.9GB쾌적 추정 50.3 tok/s44.2–56.3보정된 추정 ±12%	9.7GB쾌적 추정 51.2 tok/s45.0–57.3보정된 추정 ±12%
8k	10.9GB쾌적 추정 45.5 tok/s40.0–50.9보정된 추정 ±12%	10.3GB쾌적 추정 48.4 tok/s42.6–54.2보정된 추정 ±12%	10.0GB쾌적 추정 50.1 tok/s44.1–56.2보정된 추정 ±12%
16k	12.3GB겨우 가능 추정 20.3 tok/s16.2–24.3보정된 추정 ±20%	11.1GB쾌적 추정 45.1 tok/s39.7–50.5보정된 추정 ±12%	10.4GB쾌적 추정 48.2 tok/s42.4–54.0보정된 추정 ±12%
32k	15.2GB겨우 가능 추정 6.6 tok/s5.3–7.9보정된 추정 ±20%	12.7GB겨우 가능 추정 16.9 tok/s13.5–20.3보정된 추정 ±20%	11.3GB쾌적 추정 44.7 tok/s39.3–50.0보정된 추정 ±12%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.

예상 속도

생성: 추정 45.5 tok/s (40.0–50.9, 보정된 추정 ±12%)
프롬프트 처리: 약 4,326 tok/s (2,596–6,056, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

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

다른 선택지

GeForce RTX 5070에서 원활하게 도는 더 큰 모델
원활
Qwen3.5 35B-A3B: 원활, 추정 20.4 tok/s (14.3–26.5, 이론 추정 ±30%)

실행 방법

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

파일: Qwen3-14B-Q4_K_M.gguf (9.00GB, unsloth/Qwen3-14B-GGUF).

llama.cpp

llama-server -hf unsloth/Qwen3-14B-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 0.72GB로 줄어듭니다.

Ollama

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/Qwen3-14B-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 5070에서 Qwen3 14B 돌릴 수 있나요?

Q4_K_M 파일이 VRAM에 전부 올라가고 0.5GB가 남습니다. 판정: 쾌적, 속도: 추정 45.5 tok/s (40.0–50.9, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 10.9GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5070에서 Qwen3 14B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k(KV 1.3GB), q8_0 KV 캐시에서 16k(KV 1.4GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 32k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(9.00GB)입니다. 판정: 쾌적, 속도: 추정 45.5 tok/s (40.0–50.9, 보정된 추정 ±12%). 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.