CanRun

GeForce RTX 3090에서 Qwen3 30B-A3B (2507) 돌릴 수 있을까?

쾌적Q4_K_M 기준으로 VRAM에 들어가고 3.6GB가 남습니다. 판정: 쾌적, 속도: 추정 140.6 tok/s (112.5–168.7, 보정된 추정 ±20%).

오픈 라이선스 · Apache-2.0커뮤니티 GGUF · unsloth

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 RAM이 16GB에서 128GB 사이라면 위 판정과 양자화 파일은 바뀌지 않습니다.

GeForce RTX 3090에서 Qwen3 30B-A3B (2507): 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화파일 크기판정속도메모리실행 방식참고
Q2_K11.26GB쾌적
추정 161.4 tok/s129.2–193.7보정된 추정 ±20%
13.1 / 24.0GB풀 GPU—
IQ4_XS16.38GB쾌적
추정 145.4 tok/s116.3–174.5보정된 추정 ±20%
18.2 / 24.0GB풀 GPU—
Q4_K_M기준18.56GB쾌적
추정 140.6 tok/s112.5–168.7보정된 추정 ±20%
20.4 / 24.0GB풀 GPU—
Q8_032.48GB원활
추정 42.8 tok/s30.0–55.7이론 추정 ±30%
23.2 / 24.0GB + RAM 11.2GBMoE 전문가 RAM 배치모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다.

Q4_K_M 기준 메모리 사용 내역

가중치·KV 캐시·연산 버퍼는 모델이 쓰고, OS 예약은 화면 출력 드라이버가 씁니다.
GPU 메모리
가중치
18.4GB
KV 캐시
0.8GB
연산 버퍼
0.6GB
OS 예약
0.6GB
여유
3.6GB

18.56GB 파일 가운데 0.19GB는 그래픽카드에 올라가지 않습니다. llama.cpp가 입력 임베딩 표를 시스템 RAM에 두기 때문입니다.

컨텍스트 길이와 KV 캐시

KV 캐시

Q4_K_M 기준으로 컨텍스트 길이와 KV 캐시 종류에 따른 필요 메모리, 판정, 예상 tok/s를 보여 줍니다.
컨텍스트KV f16KV q8_0KV q4_0
4k
19.3GB쾌적
추정 153.9 tok/s123.1–184.7보정된 추정 ±20%
19.1GB쾌적
추정 161.0 tok/s128.8–193.2보정된 추정 ±20%
19.0GB쾌적
추정 165.1 tok/s132.1–198.1보정된 추정 ±20%
8k
19.8GB쾌적
추정 140.6 tok/s112.5–168.7보정된 추정 ±20%
19.4GB쾌적
추정 152.9 tok/s122.3–183.5보정된 추정 ±20%
19.2GB쾌적
추정 160.4 tok/s128.4–192.5보정된 추정 ±20%
16k
20.6GB쾌적
추정 119.9 tok/s95.9–143.9보정된 추정 ±20%
19.9GB쾌적
추정 138.9 tok/s111.1–166.7보정된 추정 ±20%
19.5GB쾌적
추정 151.9 tok/s121.5–182.3보정된 추정 ±20%
32k
22.4GB쾌적
추정 92.6 tok/s74.1–111.1보정된 추정 ±20%
20.9GB쾌적
추정 117.5 tok/s94.0–141.0보정된 추정 ±20%
20.1GB쾌적
추정 137.3 tok/s109.8–164.8보정된 추정 ±20%
64k
25.9GB원활
추정 51.2 tok/s35.9–66.6이론 추정 ±30%
22.9GB쾌적
추정 89.7 tok/s71.8–107.7보정된 추정 ±20%
21.3GB쾌적
추정 115.1 tok/s92.1–138.2보정된 추정 ±20%
128k
33.0GB원활
추정 25.7 tok/s18.0–33.5이론 추정 ±30%
27.0GB원활
추정 46.2 tok/s32.4–60.1이론 추정 ±30%
23.7GB원활
추정 80.4 tok/s56.3–104.5이론 추정 ±30%
256k
47.0GB미탑재
35.1GB원활
추정 23.5 tok/s16.4–30.5이론 추정 ±30%
28.6GB원활
추정 40.5 tok/s28.3–52.6이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

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

예상 속도

생성
추정 140.6 tok/s (112.5–168.7, 보정된 추정 ±20%)
프롬프트 처리
약 4,660 tok/s (2,796–6,524, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.

이 조합의 벤치마크 결과
하드웨어양자화백엔드컨텍스트프롬프트 (tok/s)생성 (tok/s)플래그출처측정일
GeForce RTX 3090Q4_K_XLllama.cpp16k—113.8—hardware-corner.net2026-08-09

다른 선택지

실행 방법

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

파일: Qwen3-30B-A3B-Instruct-2507-Q4_K_M.gguf (18.56GB, unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF).

llama.cpp
llama-server -hf unsloth/Qwen3-30B-A3B-Instruct-2507-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 0.43GB로 줄어듭니다.
올라마(Ollama)

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/Qwen3-30B-A3B-Instruct-2507-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

관련 페이지

가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)

GeForce RTX 3090에서 다른 모델

다른 하드웨어에서 Qwen3 30B-A3B (2507)

자주 묻는 질문

GeForce RTX 3090에서 Qwen3 30B-A3B (2507) 돌릴 수 있나요?

Q4_K_M 기준으로 VRAM에 들어가고 3.6GB가 남습니다. 판정: 쾌적, 속도: 추정 140.6 tok/s (112.5–168.7, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 19.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 3090에서 Qwen3 30B-A3B (2507) 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 3.2GB), q8_0 KV 캐시에서 64k(KV 3.4GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(18.56GB)입니다. 판정: 쾌적, 속도: 추정 140.6 tok/s (112.5–168.7, 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.