GeForce RTX 4070에서 Qwen3.5 27B 돌릴 수 있을까?
겨우 가능Q4_K_M 기준으로는 VRAM에 다 들어가지 않아 가중치 6.8GB를 시스템 RAM에서 돌립니다. 판정: 겨우 가능, 속도: 추정 5.3 tok/s (4.3–6.4, 보정된 추정 ±20%).
VRAM 12GB · 504.0 GB/s · FP16 29.1 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 4070 Super도 메모리 구성이 같아서(12GB, 504.0 GB/s) 생성 속도 추정치는 같고, 프롬프트 처리 속도만 다릅니다.
GeForce RTX 4070에서 Qwen3.5 27B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 12.04GB | 겨우 가능 | 추정 14.0 tok/s11.2–16.8보정된 추정 ±20% | 12.0 / 12.0GB + RAM 1.8GB | 부분 오프로드 | GPU에 90%도 올라가지 않습니다. 이렇게 GPU와 CPU에 나눠 돌리면 겨우 돌아가는 수준에 그칩니다. |
| IQ4_XS | 15.71GB | 겨우 가능 | 추정 6.4 tok/s5.2–7.7보정된 추정 ±20% | 12.0 / 12.0GB + RAM 5.4GB | 부분 오프로드 | — |
| Q4_K_M기준 | 17.11GB | 겨우 가능 | 추정 5.3 tok/s4.3–6.4보정된 추정 ±20% | 12.0 / 12.0GB + RAM 6.8GB | 부분 오프로드 | — |
| Q8_0 | 29.05GB | 불가 | 추정 2.2 tok/s1.8–2.6보정된 추정 ±20% | 12.0 / 12.0GB + RAM 18.8GB | 부분 오프로드 | 메모리에는 들어가지만 너무 느려서 실제로 쓰기 어렵습니다. |
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
- 10.3GB
- KV 캐시
- 0.5GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 시스템 RAM의 가중치
- 6.8GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 16.9GB겨우 가능 추정 5.6 tok/s4.5–6.7보정된 추정 ±20% | 16.8GB겨우 가능 추정 5.7 tok/s4.6–6.9보정된 추정 ±20% | 16.7GB겨우 가능 추정 5.8 tok/s4.6–7.0보정된 추정 ±20% |
| 8k | 17.2GB겨우 가능 추정 5.3 tok/s4.3–6.4보정된 추정 ±20% | 17.0GB겨우 가능 추정 5.6 tok/s4.5–6.7보정된 추정 ±20% | 16.8GB겨우 가능 추정 5.7 tok/s4.6–6.8보정된 추정 ±20% |
| 16k | 17.8GB겨우 가능 추정 4.9 tok/s3.9–5.8보정된 추정 ±20% | 17.3GB겨우 가능 추정 5.3 tok/s4.2–6.3보정된 추정 ±20% | 17.0GB겨우 가능 추정 5.5 tok/s4.4–6.6보정된 추정 ±20% |
| 32k | 19.0GB겨우 가능 추정 4.1 tok/s3.3–4.9보정된 추정 ±20% | 18.0GB겨우 가능 추정 4.7 tok/s3.8–5.7보정된 추정 ±20% | 17.5GB겨우 가능 추정 5.2 tok/s4.1–6.2보정된 추정 ±20% |
| 64k | 21.5GB겨우 가능 추정 3.0 tok/s2.4–3.6보정된 추정 ±20% | 19.5GB겨우 가능 추정 3.9 tok/s3.1–4.7보정된 추정 ±20% | 18.4GB겨우 가능 추정 4.6 tok/s3.6–5.5보정된 추정 ±20% |
| 128k | 26.4GB불가 추정 1.8 tok/s1.5–2.2보정된 추정 ±20% | 22.4GB불가 추정 2.8 tok/s2.2–3.3보정된 추정 ±20% | 20.2GB겨우 가능 추정 3.6 tok/s2.9–4.4보정된 추정 ±20% |
| 256k | 36.2GB미탑재 | 26.3GB불가 추정 1.7 tok/s1.4–2.0보정된 추정 ±20% | 23.9GB불가 추정 2.5 tok/s2.0–3.0보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k, q8_0에서 64k까지입니다.
예상 속도
- 생성
- 추정 5.3 tok/s (4.3–6.4, 보정된 추정 ±20%)
- 프롬프트 처리
- 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 4070에서 원활하게 도는 더 작은 모델
원활Gemma 4 26B-A4B: 원활, 추정 47.8 tok/s (33.5–62.1, 이론 추정 ±30%)
Qwen3.5 27B, 쾌적하게 돌리는 가장 싼 GPU
쾌적GeForce RTX 3090: 2026-08-09 기준 실거래가 US$1,050(약 139만 원), 속도 추정 37.1 tok/s (32.7–41.6, 보정된 추정 ±12%).
원화 금액은 미국 달러 가격을 2026-10-21 환율(1달러 1,326원)로 단순 환산한 참고값이라 국내 판매가와 다를 수 있습니다.
실행 방법
Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
파일: Qwen3.5-27B-Q4_K_M.gguf (17.11GB, unsloth/Qwen3.5-27B-MTP-GGUF).
llama-server -hf unsloth/Qwen3.5-27B-MTP-GGUF:Q4_K_M -c 8192 -ngl 38 -fa on- -ngl 38: 전체 64층 중 38층을 GPU에 올립니다. VRAM이 넘치면 1~2 줄이세요.
- -fa on: 플래시 어텐션을 켭니다. KV 캐시를 양자화하려면 필요합니다.
- --cache-type-k q8_0 --cache-type-v q8_0: 8k 기준 KV 캐시가 0.29GB로 줄어듭니다.
PowerShell(트레이의 Ollama를 먼저 종료하세요):
$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/Qwen3.5-27B-MTP-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.
- Ollama는 GPU와 CPU에 층을 자동으로 나눕니다.
/set parameter num_ctx 8192
관련 페이지
자주 묻는 질문
GeForce RTX 4070에서 Qwen3.5 27B 돌릴 수 있나요?
Q4_K_M 기준으로는 VRAM에 다 들어가지 않아 가중치 6.8GB를 시스템 RAM에서 돌립니다. 판정: 겨우 가능, 속도: 추정 5.3 tok/s (4.3–6.4, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 17.2GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 11.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 4070에서 Qwen3.5 27B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(겨우 가능)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k(KV 4.3GB), q8_0 KV 캐시에서 64k(KV 2.3GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(17.11GB)입니다. 판정: 겨우 가능, 속도: 추정 5.3 tok/s (4.3–6.4, 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.