GeForce RTX 4060에서 Qwen3 30B-A3B (2507) 돌릴 수 있을까?
원활Q4_K_M 기준으로 어텐션과 13개 층의 전문가는 GPU(7.6GB)에, 나머지 전문가는 시스템 RAM(13.0GB)에 둡니다. 판정: 원활, 속도: 추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%).
VRAM 8GB · 272.0 GB/s · FP16 15.1 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: 원활추정 36.1 tok/s (25.2–46.9, 이론 추정 ±30%)
- 32GB원활추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%)(이 페이지 기준)
- 64GB원활추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%)
- 96GB원활추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%)
- 128GB원활추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%)
GeForce RTX 4060에서 Qwen3 30B-A3B (2507): 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| Q2_K | 11.26GB | 원활 | 추정 50.2 tok/s35.1–65.2이론 추정 ±30% | 7.7 / 8.0GB + RAM 5.6GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| IQ4_XS | 16.38GB | 원활 | 추정 36.1 tok/s25.2–46.9이론 추정 ±30% | 7.6 / 8.0GB + RAM 10.8GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q4_K_M기준 | 18.56GB | 원활 | 추정 32.4 tok/s22.6–42.1이론 추정 ±30% | 7.6 / 8.0GB + RAM 13.0GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q8_0 | 32.48GB | 겨우 가능 | 추정 18.8 tok/s13.2–24.5이론 추정 ±30% | 7.2 / 8.0GB + RAM 27.3GB | MoE 전문가 RAM 배치 | 전문가를 시스템 RAM에서 돌립니다. 이 방식에서 원활하게 돌아가려면 20 tok/s 이상 나와야 합니다. |
Q4_K_M 기준 메모리 사용 내역
- 가중치
- 5.6GB
- KV 캐시
- 0.8GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 0.4GB
- 시스템 RAM의 가중치
- 13.0GB
시스템 RAM·컨텍스트 길이·KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 19.3GB원활 추정 35.2 tok/s24.6–45.8이론 추정 ±30% | 19.1GB원활 추정 36.5 tok/s25.5–47.4이론 추정 ±30% | 19.0GB원활 추정 37.7 tok/s26.4–49.1이론 추정 ±30% |
| 8k | 19.8GB원활 추정 32.4 tok/s22.6–42.1이론 추정 ±30% | 19.4GB원활 추정 35.0 tok/s24.5–45.5이론 추정 ±30% | 19.2GB원활 추정 36.4 tok/s25.5–47.3이론 추정 ±30% |
| 16k | 20.6GB원활 추정 27.5 tok/s19.3–35.8이론 추정 ±30% | 19.9GB원활 추정 31.7 tok/s22.2–41.1이론 추정 ±30% | 19.5GB원활 추정 34.4 tok/s24.1–44.7이론 추정 ±30% |
| 32k | 22.4GB원활 추정 21.4 tok/s15.0–27.8이론 추정 ±30% | 20.9GB원활 추정 27.1 tok/s19.0–35.2이론 추정 ±30% | 20.1GB원활 추정 31.4 tok/s22.0–40.8이론 추정 ±30% |
| 64k | 25.0GB겨우 가능 추정 4.6 tok/s3.6–5.5보정된 추정 ±20% | 22.9GB원활 추정 20.7 tok/s14.5–26.9이론 추정 ±30% | 21.3GB원활 추정 26.1 tok/s18.3–34.0이론 추정 ±30% |
| 128k | 33.0GB미탑재 | 25.5GB겨우 가능 추정 4.3 tok/s3.5–5.2보정된 추정 ±20% | 23.7GB겨우 가능 추정 19.9 tok/s13.9–25.9이론 추정 ±30% |
| 256k | 47.0GB미탑재 | 35.1GB미탑재 | 25.9GB겨우 가능 추정 4.1 tok/s3.3–4.9보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 64k까지입니다.
예상 속도
- 생성
- 추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%)
- 프롬프트 처리
- 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.
판정 근거: 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다.
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 4060에서 원활하게 도는 더 큰 모델
원활Qwen3.5 35B-A3B: 원활, 추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)
전문가만 시스템 RAM에 두기
--n-cpu-moe 35 설정은 앞쪽 35개 층의 전문가만 시스템 RAM에 두고 나머지는 GPU에 둡니다. 이 추정도 그렇게 계산했습니다.
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: Qwen3-30B-A3B-Instruct-2507-Q4_K_M.gguf (18.56GB, unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF).
llama-server -hf unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:Q4_K_M -c 8192 -ngl all --n-cpu-moe 35 -fa on- -ngl all: 모든 층을 GPU에 올립니다.
- --n-cpu-moe 35: 앞쪽 35개 층에 있는 전문가는 시스템 RAM에 두고, 전문가가 있는 나머지 13개 층은 전문가까지 GPU에 둡니다. 이 추정도 같은 배치로 계산했습니다.
- 불러올 때 메모리가 부족하다는 오류가 나면 값을 36까지 올리고, 그래도 부족하면 37까지 올리세요.
- llama.cpp b7410(2025년 12월) 이후 버전은 -ngl과 --n-cpu-moe를 빼고 실행해도 VRAM에 맞춰 비슷하게 나눠 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.
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.
- Ollama 0.30 이상은 VRAM에 맞춰 전문가 일부를 시스템 RAM에 자동으로 둡니다. 그보다 오래된 버전은 층을 통째로 나눠 올려서 훨씬 느립니다.
/set parameter num_ctx 8192
관련 페이지
가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)
GeForce RTX 4060에서 다른 모델
다른 하드웨어에서 Qwen3 30B-A3B (2507)
자주 묻는 질문
GeForce RTX 4060에서 Qwen3 30B-A3B (2507) 돌릴 수 있나요?
Q4_K_M 기준으로 어텐션과 13개 층의 전문가는 GPU(7.6GB)에, 나머지 전문가는 시스템 RAM(13.0GB)에 둡니다. 판정: 원활, 속도: 추정 32.4 tok/s (22.6–42.1, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 19.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 7.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 4060에서 Qwen3 30B-A3B (2507) 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(원활)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: 원활, 속도: 추정 32.4 tok/s (22.6–42.1, 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.