GeForce RTX 5070에서 Qwen3.5 122B-A10B 돌릴 수 있을까?
불가Q4_K_M에는 76.6GB가 필요해서, 쓸 수 있는 메모리 11.4GB보다 65.2GB가 모자랍니다. 시스템 RAM 96GB 구성의 판정: 겨우 가능, 속도: 추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%).
VRAM 12GB · 672.0 GB/s · FP16 30.9 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다. GeForce RTX 5070 Ti Laptop도 메모리 구성이 같아서(12GB, 672.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다.
시스템 RAM 용량별 판정
이 페이지는 시스템 RAM 32GB를 기준으로 계산했습니다. 이 조합은 RAM 용량에 따라 판정이 달라집니다.
- 16GB불가Q4_K_M: 메모리에 안 들어감
- 32GB불가Q4_K_M: 메모리에 안 들어감(이 페이지 기준)
- 64GB불가IQ4_XS: 겨우 가능추정 19.6 tok/s (13.7–25.4, 이론 추정 ±30%)
- 96GB겨우 가능추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%)(아래 명령 기준)
- 128GB겨우 가능추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%)
GeForce RTX 5070에서 Qwen3.5 122B-A10B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 42.85GB | 불가 | — | 약 42.1GB가 필요한데, 쓸 수 있는 VRAM은 11.4GB, 여유 RAM은 28.0GB입니다. | — | — |
| IQ4_XS | 61.93GB | 불가 | — | 약 60.6GB가 필요한데, 쓸 수 있는 VRAM은 11.4GB, 여유 RAM은 28.0GB입니다. | — | — |
| Q4_K_M기준 | 78.26GB | 불가 | — | 약 76.6GB가 필요한데, 쓸 수 있는 VRAM은 11.4GB, 여유 RAM은 28.0GB입니다. | — | — |
| Q8_0 | 132.55GB | 불가 | — | 약 129.8GB가 필요한데, 쓸 수 있는 VRAM은 11.4GB, 여유 RAM은 28.0GB입니다. | — | — |
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
아래 메모리·컨텍스트·속도 수치는 시스템 RAM 96GB 구성(위에서 안내한 RAM 용량) 기준입니다. 32GB로는 어떤 양자화 파일도 들어가지 않습니다.
- 가중치
- 8.6GB
- KV 캐시
- 0.2GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 2.0GB
- 시스템 RAM의 가중치
- 69.6GB
위 시스템 RAM 몫에는 기본 설정에서 불러오지 않는 MTP(다중 토큰 예측) 블록 1.57GB도 넣어 넉넉하게 잡았습니다. MTP 추측 디코딩(llama.cpp --spec-type draft-mtp)을 켜면 이 블록을 불러오고 MTP용 KV 캐시도 더 듭니다.
시스템 RAM·컨텍스트 길이·KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 76.5GB겨우 가능 추정 16.0 tok/s11.2–20.8이론 추정 ±30% | 76.5GB겨우 가능 추정 16.1 tok/s11.2–20.9이론 추정 ±30% | 76.4GB겨우 가능 추정 16.1 tok/s11.2–20.9이론 추정 ±30% |
| 8k | 76.6GB겨우 가능 추정 16.0 tok/s11.2–20.8이론 추정 ±30% | 76.6GB겨우 가능 추정 16.0 tok/s11.2–20.8이론 추정 ±30% | 76.5GB겨우 가능 추정 16.1 tok/s11.2–20.9이론 추정 ±30% |
| 16k | 76.9GB겨우 가능 추정 15.9 tok/s11.1–20.6이론 추정 ±30% | 76.7GB겨우 가능 추정 16.0 tok/s11.2–20.8이론 추정 ±30% | 76.6GB겨우 가능 추정 16.0 tok/s11.2–20.8이론 추정 ±30% |
| 32k | 77.5GB겨우 가능 추정 15.4 tok/s10.8–20.1이론 추정 ±30% | 77.1GB겨우 가능 추정 15.8 tok/s11.1–20.6이론 추정 ±30% | 76.9GB겨우 가능 추정 16.0 tok/s11.2–20.7이론 추정 ±30% |
| 64k | 78.6GB겨우 가능 추정 15.0 tok/s10.5–19.5이론 추정 ±30% | 77.8GB겨우 가능 추정 15.4 tok/s10.8–20.0이론 추정 ±30% | 77.4GB겨우 가능 추정 15.6 tok/s10.9–20.3이론 추정 ±30% |
| 128k | 80.8GB겨우 가능 추정 14.1 tok/s9.9–18.3이론 추정 ±30% | 79.3GB겨우 가능 추정 14.8 tok/s10.3–19.2이론 추정 ±30% | 78.5GB겨우 가능 추정 15.4 tok/s10.8–20.0이론 추정 ±30% |
| 256k | 84.7GB겨우 가능 추정 3.0 tok/s2.4–3.6보정된 추정 ±20% | 81.7GB겨우 가능 추정 4.0 tok/s3.2–4.8보정된 추정 ±20% | 80.6GB겨우 가능 추정 14.7 tok/s10.3–19.1이론 추정 ±30% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
시스템 RAM 96GB 기준: Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k, q8_0에서 256k까지입니다.
예상 속도
- 생성
- 시스템 RAM 96GB 기준: 추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%)
- 프롬프트 처리
- 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.
판정 근거: 전문가를 시스템 RAM에서 돌립니다. 이 방식에서 원활하게 돌아가려면 30 tok/s 이상 나와야 합니다.
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 5070에서 원활하게 도는 더 작은 모델
원활Qwen3.5 35B-A3B: 원활, 추정 63.3 tok/s (44.3–82.3, 이론 추정 ±30%)
같은 GPU에 시스템 RAM 96GB
겨우 가능Q4_K_M: 겨우 가능, 추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%)
실행 방법
UD-Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
아래 명령은 시스템 RAM 96GB 구성(위에서 안내한 RAM 용량)을 기준으로 합니다. RAM 용량이 다르면 위 ‘시스템 RAM·컨텍스트 길이·KV 캐시’에서 용량을 고르세요. 그 용량에 맞는 명령이 나옵니다.
파일: UD-Q4_K_M/Qwen3.5-122B-A10B-UD-Q4_K_M-00001-of-00003.gguf 외 2개 조각(총 78.26GB, unsloth/Qwen3.5-122B-A10B-MTP-GGUF).
llama-server -hf unsloth/Qwen3.5-122B-A10B-MTP-GGUF:UD-Q4_K_M -c 8192 -ngl all --n-cpu-moe 46 -fa on- -ngl all: 모든 층을 GPU에 올립니다.
- --n-cpu-moe 46: 앞쪽 46개 층에 있는 전문가는 시스템 RAM에 두고, 전문가가 있는 나머지 2개 층은 전문가까지 GPU에 둡니다. 이 추정도 같은 배치로 계산했습니다.
- 불러올 때 메모리가 부족하다는 오류가 나면 값을 47까지 올리고, 그래도 부족하면 48까지 올리세요.
- llama.cpp b7410(2025년 12월) 이후 버전은 -ngl과 --n-cpu-moe를 빼고 실행해도 VRAM에 맞춰 비슷하게 나눠 올립니다.
- -fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
- --cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 0.11GB로 줄어듭니다.
Ollama는 아직 여러 조각으로 나뉜 GGUF를 내려받지 못합니다. 이 파일은 llama.cpp로 돌리세요.
관련 페이지
가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)
GeForce RTX 5070에서 다른 모델
다른 하드웨어에서 Qwen3.5 122B-A10B
자주 묻는 질문
GeForce RTX 5070에서 Qwen3.5 122B-A10B 돌릴 수 있나요?
Q4_K_M에는 76.6GB가 필요해서, 쓸 수 있는 메모리 11.4GB보다 65.2GB가 모자랍니다. 시스템 RAM 96GB 구성의 판정: 겨우 가능, 속도: 추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 76.6GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 5070에서 Qwen3.5 122B-A10B 컨텍스트는 얼마까지 쓸 수 있나요?
시스템 RAM 96GB 기준: Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k(KV 6.4GB), q8_0 KV 캐시에서 256k(KV 3.4GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
RAM 32GB로는 돌아가는 양자화 파일이 없습니다. RAM 96GB 구성이라면 Q4_K_M 파일이 돌아갑니다(판정: 겨우 가능). 속도는 추정 16.0 tok/s (11.2–20.8, 이론 추정 ±30%)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.