Apple M4에서 Qwen3 32B 돌릴 수 있을까?
불가Q4_K_M 파일은 메모리(21.9GB)에 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. 속도는 추정 2.7 tok/s (1.9–3.6, 이론 추정 ±30%)입니다. 대신 IQ4_XS 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 4.6 tok/s (3.7–5.5, 보정된 추정 ±20%).
통합 메모리 32GB · 120.0 GB/s · FP16 3.8 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.
메모리 용량별 판정
이 페이지는 32GB 구성 기준입니다. 다른 용량은 아래와 같습니다.
- 16GB불가Q4_K_M: 메모리에 안 들어감
- 24GB불가IQ4_XS: 겨우 가능추정 3.0 tok/s (2.1–3.9, 이론 추정 ±30%)
- 32GB불가IQ4_XS: 겨우 가능추정 4.6 tok/s (3.7–5.5, 보정된 추정 ±20%)(이 페이지 기준)
Apple M4에서 Qwen3 32B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| Q2_K | 12.34GB | 겨우 가능 | 추정 6.3 tok/s5.0–7.6보정된 추정 ±20% | 15.1 / 22.4GB | 통합 메모리 | — |
| IQ4_XS | 17.69GB | 겨우 가능 | 추정 4.6 tok/s3.7–5.5보정된 추정 ±20% | 20.4 / 22.4GB | 통합 메모리 | — |
| Q4_K_M기준 | 19.76GB | 불가 | 추정 2.7 tok/s1.9–3.6이론 추정 ±30% | RAM 21.9GB | CPU 전용 | 메모리에는 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. |
| Q8_0 | 34.82GB | 불가 | — | 약 37.5GB가 필요한데, 여유 메모리는 28.0GB입니다(GPU가 쓸 수 있는 양 22.4GB). | — | — |
생각 모드가 있는 모델은 생각하는 데 토큰을 더 쓰기 때문에 속도 기준을 1.5배 엄격하게 잡습니다(30 / 12 / 3 tok/s). 생각 모드를 끄고 쓰면 실제로는 한 단계 위일 수 있습니다.
IQ4_XS 기준 메모리 사용 내역
- 가중치
- 17.7GB
- KV 캐시
- 2.1GB
- 연산 버퍼
- 0.6GB
- 여유
- 2.0GB
- GPU가 못 쓰는 영역
- 9.6GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 19.3GB겨우 가능 추정 4.9 tok/s3.9–5.8보정된 추정 ±20% | 18.8GB겨우 가능 추정 5.0 tok/s4.0–6.0보정된 추정 ±20% | 18.5GB겨우 가능 추정 5.1 tok/s4.1–6.1보정된 추정 ±20% |
| 8k | 20.4GB겨우 가능 추정 4.6 tok/s3.7–5.5보정된 추정 ±20% | 19.4GB겨우 가능 추정 4.8 tok/s3.9–5.8보정된 추정 ±20% | 18.9GB겨우 가능 추정 5.0 tok/s4.0–6.0보정된 추정 ±20% |
| 16k | 22.0GB불가 추정 2.7 tok/s1.9–3.5이론 추정 ±30% | 20.6GB겨우 가능 추정 4.6 tok/s3.7–5.5보정된 추정 ±20% | 19.6GB겨우 가능 추정 4.8 tok/s3.9–5.8보정된 추정 ±20% |
| 32k | 26.3GB불가 추정 2.3 tok/s1.6–3.0이론 추정 ±30% | 22.3GB불가 추정 2.7 tok/s1.9–3.5이론 추정 ±30% | 20.9GB겨우 가능 추정 4.5 tok/s3.6–5.4보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
IQ4_XS 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.
예상 속도
- 생성
- 추정 4.6 tok/s (3.7–5.5, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 46 tok/s (28–64, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
Apple M4에서 원활하게 도는 더 작은 모델
쾌적Qwen3 30B-A3B (2507): 쾌적, 추정 29.8 tok/s (23.8–35.7, 보정된 추정 ±20%)
Qwen3 32B의 더 낮은 양자화
겨우 가능IQ4_XS(17.69GB): 겨우 가능, 추정 4.6 tok/s (3.7–5.5, 보정된 추정 ±20%)
Apple M5에서 Qwen3 32B
겨우 가능Q4_K_M: 겨우 가능, 추정 3.5 tok/s (2.5–4.6, 이론 추정 ±30%)
실행 방법
IQ4_XS 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
파일: Qwen_Qwen3-32B-IQ4_XS.gguf (17.69GB, bartowski/Qwen_Qwen3-32B-GGUF).
llama-server -hf bartowski/Qwen_Qwen3-32B-GGUF:IQ4_XS -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 1.15GB로 줄어듭니다.
터미널:
OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/bartowski/Qwen_Qwen3-32B-GGUF:IQ4_XS- 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
자주 묻는 질문
Apple M4에서 Qwen3 32B 돌릴 수 있나요?
Q4_K_M 파일은 메모리(21.9GB)에 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. 속도는 추정 2.7 tok/s (1.9–3.6, 이론 추정 ±30%)입니다. 대신 IQ4_XS 파일을 쓸 수 있습니다. 판정: 겨우 가능, 속도: 추정 4.6 tok/s (3.7–5.5, 보정된 추정 ±20%). IQ4_XS에는 8k 컨텍스트 기준 20.4GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 22.4GB입니다.
Apple M4에서 Qwen3 32B 컨텍스트는 얼마까지 쓸 수 있나요?
IQ4_XS 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k(KV 2.1GB), q8_0 KV 캐시에서 16k(KV 2.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 32k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 IQ4_XS(17.69GB)입니다. 판정: 겨우 가능, 속도: 추정 4.6 tok/s (3.7–5.5, 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.