GeForce RTX 5090에서 Qwen3 30B-A3B (2507) 돌릴 수 있을까?
쾌적Q4_K_M 파일이 VRAM에 전부 올라가고 11.5GB가 남습니다. 판정: 쾌적, 속도: 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%).
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.
GeForce RTX 5090에서 Qwen3 30B-A3B (2507): 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| Q2_K | 11.26GB | 쾌적 | 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 13.2 / 32.0GB | 풀 GPU | — |
| IQ4_XS | 16.38GB | 쾌적 | 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 18.4 / 32.0GB | 풀 GPU | — |
| Q4_K_M기준 | 18.56GB | 쾌적 | 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 20.5 / 32.0GB | 풀 GPU | — |
| Q8_0 | 32.48GB | 불가 | — | 약 33.9GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다. | — | — |
Q4_K_M 기준 메모리 사용 내역
- 가중치
- 18.6GB
- KV 캐시
- 0.8GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 11.5GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 19.5GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 19.3GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 19.2GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% |
| 8k | 19.9GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 19.6GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 19.4GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% |
| 16k | 20.8GB쾌적 추정 222.8 tok/s178.3–267.4보정된 추정 ±20% | 20.1GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% | 19.7GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% |
| 32k | 22.6GB쾌적 추정 154.2 tok/s123.4–185.0보정된 추정 ±20% | 21.1GB쾌적 추정 216.1 tok/s172.9–259.3보정된 추정 ±20% | 20.3GB쾌적 추정 235.0 tok/s188.0–282.0보정된 추정 ±20% |
| 64k | 26.1GB쾌적 추정 95.4 tok/s76.3–114.5보정된 추정 ±20% | 23.1GB쾌적 추정 147.8 tok/s118.3–177.4보정된 추정 ±20% | 21.5GB쾌적 추정 209.8 tok/s167.8–251.7보정된 추정 ±20% |
| 128k | 33.1GB겨우 가능 추정 19.2 tok/s13.4–24.9이론 추정 ±30% | 27.2GB쾌적 추정 90.6 tok/s72.5–108.7보정된 추정 ±20% | 23.9GB쾌적 추정 142.0 tok/s113.6–170.4보정된 추정 ±20% |
| 256k | 47.2GB겨우 가능 추정 19.2 tok/s13.4–24.9이론 추정 ±30% | 35.2GB겨우 가능 추정 19.2 tok/s13.4–24.9이론 추정 ±30% | 28.8GB쾌적 추정 86.2 tok/s69.0–103.5보정된 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 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 14,672 tok/s (8,803–20,541, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.
| 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
쾌적Qwen3.5 35B-A3B: 쾌적, 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)
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 -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.
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 — VRAM 8~32GB로 돌릴 수 있는 모델 (2026)
GeForce RTX 5090에서 다른 모델
다른 하드웨어에서 Qwen3 30B-A3B (2507)
자주 묻는 질문
GeForce RTX 5090에서 Qwen3 30B-A3B (2507) 돌릴 수 있나요?
Q4_K_M 파일이 VRAM에 전부 올라가고 11.5GB가 남습니다. 판정: 쾌적, 속도: 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 19.9GB가 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 235.0 tok/s (188.0–282.0, 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.