GeForce RTX 5070에서 Qwen3 30B-A3B (2507) 돌릴 수 있을까?
원활Q4_K_M 기준으로 어텐션과 24개 층의 전문가는 GPU(11.6GB)에, 나머지 전문가는 시스템 RAM(9.0GB)에 둡니다. 판정: 원활, 속도: 추정 50.5 tok/s (35.3–65.6, 이론 추정 ±30%).
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. 시스템 RAM이 16GB에서 128GB 사이라면 위 판정과 양자화 파일은 바뀌지 않습니다. GeForce RTX 5070 Ti Laptop도 메모리 구성이 같아서(12GB, 672.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다.
GeForce RTX 5070에서 Qwen3 30B-A3B (2507): 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| Q2_K | 11.26GB | 원활 | 추정 106.4 tok/s74.5–138.3이론 추정 ±30% | 11.6 / 12.0GB + RAM 1.6GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| IQ4_XS | 16.38GB | 원활 | 추정 59.1 tok/s41.4–76.8이론 추정 ±30% | 11.4 / 12.0GB + RAM 6.9GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q4_K_M기준 | 18.56GB | 원활 | 추정 50.5 tok/s35.3–65.6이론 추정 ±30% | 11.6 / 12.0GB + RAM 9.0GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q8_0 | 32.48GB | 원활 | 추정 24.5 tok/s17.2–31.9이론 추정 ±30% | 11.0 / 12.0GB + RAM 23.4GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
Q4_K_M 기준 메모리 사용 내역
- 가중치
- 9.6GB
- KV 캐시
- 0.8GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 0.4GB
- 시스템 RAM의 가중치
- 9.0GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 19.3GB원활 추정 54.0 tok/s37.8–70.3이론 추정 ±30% | 19.1GB원활 추정 55.2 tok/s38.7–71.8이론 추정 ±30% | 19.0GB원활 추정 57.4 tok/s40.2–74.6이론 추정 ±30% |
| 8k | 19.8GB원활 추정 50.5 tok/s35.3–65.6이론 추정 ±30% | 19.4GB원활 추정 53.9 tok/s37.7–70.0이론 추정 ±30% | 19.2GB원활 추정 55.1 tok/s38.6–71.7이론 추정 ±30% |
| 16k | 20.6GB원활 추정 43.6 tok/s30.5–56.7이론 추정 ±30% | 19.9GB원활 추정 49.0 tok/s34.3–63.7이론 추정 ±30% | 19.5GB원활 추정 52.4 tok/s36.7–68.1이론 추정 ±30% |
| 32k | 22.4GB원활 추정 34.9 tok/s24.4–45.4이론 추정 ±30% | 20.9GB원활 추정 43.2 tok/s30.2–56.1이론 추정 ±30% | 20.1GB원활 추정 48.7 tok/s34.1–63.3이론 추정 ±30% |
| 64k | 25.9GB원활 추정 25.2 tok/s17.7–32.8이론 추정 ±30% | 22.9GB원활 추정 33.8 tok/s23.7–43.9이론 추정 ±30% | 21.3GB원활 추정 41.1 tok/s28.8–53.5이론 추정 ±30% |
| 128k | 33.0GB미탑재 | 27.0GB원활 추정 23.8 tok/s16.7–31.0이론 추정 ±30% | 23.7GB원활 추정 32.3 tok/s22.6–41.9이론 추정 ±30% |
| 256k | 47.0GB미탑재 | 35.1GB미탑재 | 28.6GB원활 추정 22.3 tok/s15.6–29.0이론 추정 ±30% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k, q8_0에서 128k까지입니다.
예상 속도
- 생성
- 추정 50.5 tok/s (35.3–65.6, 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 5070에서 원활하게 도는 더 큰 모델
원활Qwen3.5 35B-A3B: 원활, 추정 63.3 tok/s (44.3–82.3, 이론 추정 ±30%)
전문가만 시스템 RAM에 두기
--n-cpu-moe 24 설정은 앞쪽 24개 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.
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 24 -fa on- -ngl all: 모든 층을 GPU에 올립니다.
- --n-cpu-moe 24: 앞쪽 24개 층에 있는 전문가는 시스템 RAM에 두고, 전문가가 있는 나머지 24개 층은 전문가까지 GPU에 둡니다. 이 추정도 같은 배치로 계산했습니다.
- 불러올 때 메모리가 부족하다는 오류가 나면 값을 25까지 올리고, 그래도 부족하면 26까지 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 5070에서 다른 모델
다른 하드웨어에서 Qwen3 30B-A3B (2507)
자주 묻는 질문
GeForce RTX 5070에서 Qwen3 30B-A3B (2507) 돌릴 수 있나요?
Q4_K_M 기준으로 어텐션과 24개 층의 전문가는 GPU(11.6GB)에, 나머지 전문가는 시스템 RAM(9.0GB)에 둡니다. 판정: 원활, 속도: 추정 50.5 tok/s (35.3–65.6, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 19.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 5070에서 Qwen3 30B-A3B (2507) 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k(KV 6.4GB), q8_0 KV 캐시에서 128k(KV 6.9GB)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 50.5 tok/s (35.3–65.6, 이론 추정 ±30%). 같은 판정(원활)이 나오는 가장 큰 파일은 Q8_0(32.48GB)이고, 속도는 추정 24.5 tok/s (17.2–31.9, 이론 추정 ±30%)입니다.
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.