GeForce RTX 4090에서 Qwen3 8B 돌릴 수 있을까?

쾌적Q4_K_M 기준으로 VRAM에 들어가고 16.9GB가 남습니다. 판정: 쾌적, 속도: 추정 113.1 tok/s (99.5–126.7, 보정된 추정 ±12%).

오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth생각 모드

VRAM 24GB · 1,008.0 GB/s · FP16 82.6 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 3090 Ti도 메모리 구성이 같아서(24GB, 1,008.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다. 프롬프트 처리 속도: 이 GPU 약 10,549 tok/s (6,330–14,769, 대략적 추정 ±40%), GeForce RTX 3090 Ti 약 5,109 tok/s (3,065–7,152, 대략적 추정 ±40%).

GeForce RTX 4090에서 Qwen3 8B: 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	3.28GB	쾌적	추정 157.2 tok/s138.4–176.1보정된 추정 ±12%	5.5 / 24.0GB	풀 GPU	—
IQ4_XS	4.58GB	쾌적	추정 121.9 tok/s107.3–136.5보정된 추정 ±12%	6.6 / 24.0GB	풀 GPU	—
Q4_K_M기준	5.03GB	쾌적	추정 113.1 tok/s99.5–126.7보정된 추정 ±12%	7.1 / 24.0GB	풀 GPU	—
Q8_0	8.71GB	쾌적	추정 71.1 tok/s62.6–79.7보정된 추정 ±12%	10.4 / 24.0GB	풀 GPU	—

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.

GPU 메모리

가중치: 4.7GB
KV 캐시: 1.2GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 16.9GB

5.03GB 파일 가운데 0.36GB는 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	5.8GB쾌적 추정 125.2 tok/s110.2–140.3보정된 추정 ±12%	5.5GB쾌적 추정 131.8 tok/s116.0–147.6보정된 추정 ±12%	5.4GB쾌적 추정 135.6 tok/s119.4–151.9보정된 추정 ±12%
8k	6.5GB쾌적 추정 113.1 tok/s99.5–126.7보정된 추정 ±12%	5.9GB쾌적 추정 124.3 tok/s109.4–139.2보정된 추정 ±12%	5.6GB쾌적 추정 131.3 tok/s115.5–147.0보정된 추정 ±12%
16k	7.7GB쾌적 추정 94.8 tok/s83.4–106.1보정된 추정 ±12%	6.6GB쾌적 추정 111.6 tok/s98.2–125.0보정된 추정 ±12%	6.0GB쾌적 추정 123.4 tok/s108.6–138.2보정된 추정 ±12%
32k	10.3GB쾌적 추정 71.5 tok/s63.0–80.1보정된 추정 ±12%	8.1GB쾌적 추정 92.7 tok/s81.5–103.8보정된 추정 ±12%	6.8GB쾌적 추정 110.1 tok/s96.9–123.3보정된 추정 ±12%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 32k까지입니다.

예상 속도

생성: 추정 113.1 tok/s (99.5–126.7, 보정된 추정 ±12%)
프롬프트 처리: 약 10,549 tok/s (6,330–14,769, 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 4090	Q4_K_XL	llama.cpp	16k	—	104.3	—	hardware-corner.net	2026-08-09
GeForce RTX 4090	Q4_K_XL	llama.cpp	4k	9,251.0	141.3	CUDA	hardware-corner.net	2026-03-01

다른 선택지

GeForce RTX 4090에서 원활하게 도는 더 큰 모델
원활
K2-Horizon MoVA 36B-A4B: 원활, 추정 82.6 tok/s (57.8–107.4, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적
Q8_0(8.71GB): 쾌적, 추정 71.1 tok/s (62.6–79.7, 보정된 추정 ±12%)

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)

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env: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

GeForce RTX 4090에서 Qwen3 8B 돌릴 수 있나요?

Q4_K_M 기준으로 VRAM에 들어가고 16.9GB가 남습니다. 판정: 쾌적, 속도: 추정 113.1 tok/s (99.5–126.7, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 6.5GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 4090에서 Qwen3 8B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 4.8GB), q8_0 KV 캐시에서 32k(KV 2.6GB)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 113.1 tok/s (99.5–126.7, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(8.71GB)이고, 속도는 추정 71.1 tok/s (62.6–79.7, 보정된 추정 ±12%)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.