Apple M4 Pro에서 Qwen3 8B 돌릴 수 있을까?

쾌적Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.8GB를 씁니다. 판정: 쾌적, 속도: 추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%).

통합 메모리: 기본 설정에서는 GPU가 약 70%까지 쓸 수 있습니다오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth생각 모드

통합 메모리 24GB · 273.0 GB/s · FP16 8.1 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.

메모리 용량별 판정

이 페이지는 24GB 구성 기준입니다. 다른 용량은 아래와 같습니다.

24GB쾌적추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%)(이 페이지 기준)
48GB쾌적추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%)
64GB쾌적추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%)

Apple M4 Pro에서 Qwen3 8B: 양자화별 판정

등록된 GGUF 파일 4개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
Q2_K	3.28GB	쾌적	추정 46.2 tok/s37.0–55.5보정된 추정 ±20%	5.1 / 16.8GB	통합 메모리	—
IQ4_XS	4.58GB	쾌적	추정 35.8 tok/s28.7–43.0보정된 추정 ±20%	6.4 / 16.8GB	통합 메모리	—
Q4_K_M기준	5.03GB	쾌적	추정 33.3 tok/s26.6–39.9보정된 추정 ±20%	6.8 / 16.8GB	통합 메모리	—
Q8_0	8.71GB	원활	추정 20.9 tok/s16.7–25.1보정된 추정 ±20%	10.5 / 16.8GB	통합 메모리	—

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.

Q4_K_M 기준 메모리 사용 내역

가중치·KV 캐시·연산 버퍼는 모델이 쓰고, OS 예약은 화면 출력 드라이버가 씁니다.

통합 메모리

가중치: 5.0GB
KV 캐시: 1.2GB
연산 버퍼: 0.6GB
여유: 10.0GB
GPU가 못 쓰는 영역: 7.2GB

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	6.2GB쾌적 추정 36.8 tok/s29.5–44.2보정된 추정 ±20%	5.9GB쾌적 추정 38.8 tok/s31.0–46.5보정된 추정 ±20%	5.7GB쾌적 추정 39.9 tok/s31.9–47.9보정된 추정 ±20%
8k	6.8GB쾌적 추정 33.3 tok/s26.6–39.9보정된 추정 ±20%	6.3GB쾌적 추정 36.6 tok/s29.2–43.9보정된 추정 ±20%	5.9GB쾌적 추정 38.6 tok/s30.9–46.3보정된 추정 ±20%
16k	8.1GB원활 추정 27.9 tok/s22.3–33.4보정된 추정 ±20%	7.0GB쾌적 추정 32.8 tok/s26.3–39.4보정된 추정 ±20%	6.4GB쾌적 추정 36.3 tok/s29.0–43.5보정된 추정 ±20%
32k	10.7GB원활 추정 21.0 tok/s16.8–25.2보정된 추정 ±20%	8.4GB원활 추정 27.2 tok/s21.8–32.7보정된 추정 ±20%	7.2GB쾌적 추정 32.4 tok/s25.9–38.9보정된 추정 ±20%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k, q8_0에서 16k까지입니다.

예상 속도

생성: 추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%)
프롬프트 처리: 약 382 tok/s (229–535, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.

다른 선택지

Apple M4 Pro에서 원활하게 도는 더 큰 모델
원활
Mistral Small 3.2 24B: 원활, 추정 13.2 tok/s (10.6–15.9, 보정된 추정 ±20%)

실행 방법

Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.

파일: Qwen3-8B-Q4_K_M.gguf (5.03GB, unsloth/Qwen3-8B-GGUF).

llama.cpp

llama-server -hf unsloth/Qwen3-8B-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 0.65GB로 줄어듭니다.

올라마(Ollama)

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/unsloth/Qwen3-8B-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

Apple M4 Pro에서 Qwen3 8B 돌릴 수 있나요?

Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.8GB를 씁니다. 판정: 쾌적, 속도: 추정 33.3 tok/s (26.6–39.9, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 6.8GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.

Apple M4 Pro에서 Qwen3 8B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 8k(KV 1.2GB), q8_0 KV 캐시에서 16k(KV 1.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 32k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(5.03GB)입니다. 판정: 쾌적, 속도: 추정 33.3 tok/s (26.6–39.9, 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.