GeForce RTX 5090에서 Qwen3 30B-A3B (2507) 돌릴 수 있을까?

쾌적Q4_K_M 기준으로 VRAM에 들어가고 11.6GB가 남습니다. 판정: 쾌적, 속도: 추정 195.0 tok/s (156.0–234.1, 보정된 추정 ±20%).

오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth

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

GeForce RTX 5090에서 Qwen3 30B-A3B (2507): 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
Q2_K	11.26GB	쾌적	추정 215.2 tok/s172.1–258.2보정된 추정 ±20%	13.1 / 32.0GB	풀 GPU	—
IQ4_XS	16.38GB	쾌적	추정 199.8 tok/s159.9–239.8보정된 추정 ±20%	18.2 / 32.0GB	풀 GPU	—
Q4_K_M기준	18.56GB	쾌적	추정 195.0 tok/s156.0–234.1보정된 추정 ±20%	20.4 / 32.0GB	풀 GPU	—
Q8_0	32.48GB	원활	추정 95.1 tok/s66.6–123.6이론 추정 ±30%	30.9 / 32.0GB + RAM 3.5GB	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·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: 11.6GB

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

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	19.3GB쾌적 추정 208.1 tok/s166.5–249.7보정된 추정 ±20%	19.1GB쾌적 추정 214.7 tok/s171.8–257.7보정된 추정 ±20%	19.0GB쾌적 추정 218.5 tok/s174.8–262.2보정된 추정 ±20%
8k	19.8GB쾌적 추정 195.0 tok/s156.0–234.1보정된 추정 ±20%	19.4GB쾌적 추정 207.1 tok/s165.7–248.5보정된 추정 ±20%	19.2GB쾌적 추정 214.2 tok/s171.4–257.1보정된 추정 ±20%
16k	20.6GB쾌적 추정 173.3 tok/s138.7–208.0보정된 추정 ±20%	19.9GB쾌적 추정 193.4 tok/s154.7–232.0보정된 추정 ±20%	19.5GB쾌적 추정 206.1 tok/s164.9–247.4보정된 추정 ±20%
32k	22.4GB쾌적 추정 141.8 tok/s113.4–170.1보정된 추정 ±20%	20.9GB쾌적 추정 170.7 tok/s136.5–204.8보정된 추정 ±20%	20.1GB쾌적 추정 191.7 tok/s153.4–230.0보정된 추정 ±20%
64k	25.9GB쾌적 추정 103.9 tok/s83.2–124.7보정된 추정 ±20%	22.9GB쾌적 추정 138.3 tok/s110.6–165.9보정된 추정 ±20%	21.3GB쾌적 추정 168.1 tok/s134.5–201.7보정된 추정 ±20%
128k	33.0GB원활 추정 56.5 tok/s39.5–73.4이론 추정 ±30%	27.0GB쾌적 추정 100.2 tok/s80.2–120.2보정된 추정 ±20%	23.7GB쾌적 추정 134.9 tok/s107.9–161.9보정된 추정 ±20%
256k	47.0GB원활 추정 21.4 tok/s15.0–27.9이론 추정 ±30%	35.1GB원활 추정 46.8 tok/s32.7–60.8이론 추정 ±30%	28.6GB쾌적 추정 96.7 tok/s77.4–116.1보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k, q8_0에서 128k까지입니다.

예상 속도

생성: 추정 195.0 tok/s (156.0–234.1, 보정된 추정 ±20%)
프롬프트 처리: 약 13,719 tok/s (8,232–19,207, 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
하드웨어	양자화	백엔드	컨텍스트	프롬프트 (tok/s)	생성 (tok/s)	플래그	출처	측정일
GeForce RTX 5090	Q4_K_XL	llama.cpp	16k	—	141.6	—	hardware-corner.net	2026-08-09

다른 선택지

GeForce RTX 5090에서 원활하게 도는 더 큰 모델
원활
Kolibri 1: 원활, 추정 83.3 tok/s (58.3–108.3, 이론 추정 ±30%)

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

자주 묻는 질문

GeForce RTX 5090에서 Qwen3 30B-A3B (2507) 돌릴 수 있나요?

Q4_K_M 기준으로 VRAM에 들어가고 11.6GB가 남습니다. 판정: 쾌적, 속도: 추정 195.0 tok/s (156.0–234.1, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 19.8GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 5090에서 Qwen3 30B-A3B (2507) 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)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: 쾌적, 속도: 추정 195.0 tok/s (156.0–234.1, 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.