GeForce RTX 4060에서 Qwen3.5 35B-A3B 돌릴 수 있을까?
원활Q4_K_M 기준으로 어텐션과 8개 층의 전문가는 GPU(7.3GB)에, 나머지 전문가는 시스템 RAM(16.7GB)에 둡니다. 판정: 원활, 속도: 추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%).
VRAM 8GB · 272.0 GB/s · FP16 15.1 TFLOPS. 시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다.
시스템 RAM 용량별 판정
이 페이지는 시스템 RAM 32GB를 기준으로 계산했습니다. 이 조합은 RAM 용량에 따라 판정이 달라집니다.
- 16GB불가IQ4_XS: 원활추정 44.9 tok/s (31.4–58.4, 이론 추정 ±30%)
- 32GB원활추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)(이 페이지 기준)
- 64GB원활추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)
- 96GB원활추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)
- 128GB원활추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)
GeForce RTX 4060에서 Qwen3.5 35B-A3B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| UD-Q2_K_XL | 12.57GB | 원활 | 추정 65.1 tok/s45.6–84.6이론 추정 ±30% | 7.7 / 8.0GB + RAM 6.2GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| IQ4_XS | 18.17GB | 원활 | 추정 44.9 tok/s31.4–58.4이론 추정 ±30% | 7.5 / 8.0GB + RAM 12.0GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q4_K_M기준 | 22.63GB | 원활 | 추정 39.3 tok/s27.5–51.1이론 추정 ±30% | 7.3 / 8.0GB + RAM 16.7GB | MoE 전문가 RAM 배치 | 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다. |
| Q8_0 | 37.80GB | 불가 | — | 약 37.1GB가 필요한데, 쓸 수 있는 VRAM은 7.4GB, 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
- 가중치
- 5.9GB
- KV 캐시
- 0.2GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 0.7GB
- 시스템 RAM의 가중치
- 16.7GB
위 시스템 RAM 몫에는 기본 설정에서 불러오지 않는 MTP(다중 토큰 예측) 블록 0.53GB도 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 | 22.2GB원활 추정 40.0 tok/s28.0–52.0이론 추정 ±30% | 22.1GB원활 추정 40.3 tok/s28.2–52.4이론 추정 ±30% | 22.1GB원활 추정 40.5 tok/s28.4–52.7이론 추정 ±30% |
| 8k | 22.3GB원활 추정 39.3 tok/s27.5–51.1이론 추정 ±30% | 22.2GB원활 추정 39.9 tok/s28.0–51.9이론 추정 ±30% | 22.2GB원활 추정 40.3 tok/s28.2–52.4이론 추정 ±30% |
| 16k | 22.5GB원활 추정 38.0 tok/s26.6–49.4이론 추정 ±30% | 22.4GB원활 추정 39.2 tok/s27.4–51.0이론 추정 ±30% | 22.3GB원활 추정 39.9 tok/s27.9–51.9이론 추정 ±30% |
| 32k | 23.0GB원활 추정 35.3 tok/s24.7–45.9이론 추정 ±30% | 22.7GB원활 추정 37.4 tok/s26.2–48.7이론 추정 ±30% | 22.5GB원활 추정 39.1 tok/s27.4–50.9이론 추정 ±30% |
| 64k | 24.0GB원활 추정 30.9 tok/s21.6–40.1이론 추정 ±30% | 23.4GB원활 추정 34.7 tok/s24.3–45.1이론 추정 ±30% | 23.0GB원활 추정 37.3 tok/s26.1–48.5이론 추정 ±30% |
| 128k | 25.9GB겨우 가능 추정 24.7 tok/s17.3–32.1이론 추정 ±30% | 24.7GB겨우 가능 추정 29.9 tok/s21.0–38.9이론 추정 ±30% | 24.0GB원활 추정 33.8 tok/s23.6–43.9이론 추정 ±30% |
| 256k | 28.0GB겨우 가능 추정 5.3 tok/s4.2–6.4보정된 추정 ±20% | 25.5GB겨우 가능 추정 8.1 tok/s6.5–9.7보정된 추정 ±20% | 26.0GB겨우 가능 추정 28.8 tok/s20.2–37.5이론 추정 ±30% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k, q8_0에서 64k까지입니다.
예상 속도
- 생성
- 추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%)
- 프롬프트 처리
- 프롬프트 처리 속도는 모델 전체가 GPU에서 돌 때만 추정합니다.
판정 근거: 모델이 GPU에 다 올라가지 않습니다. 쾌적하게 돌리려면 모델 전체가 GPU 메모리에 있어야 합니다.
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
전문가만 시스템 RAM에 두기
--n-cpu-moe 32 설정은 앞쪽 32개 층의 전문가만 시스템 RAM에 두고 나머지는 GPU에 둡니다. 이 추정도 그렇게 계산했습니다.
실행 방법
UD-Q4_K_M 파일을 쓰는 명령입니다. 두 도구 모두 처음 실행할 때 Hugging Face에서 파일을 내려받습니다.
아래 명령은 시스템 RAM 32GB를 기준으로 합니다. RAM 용량이 다르면 위 ‘시스템 RAM·컨텍스트 길이·KV 캐시’에서 용량을 고르세요. 그 용량에 맞는 명령이 나옵니다.
파일: Qwen3.5-35B-A3B-UD-Q4_K_M.gguf (22.63GB, unsloth/Qwen3.5-35B-A3B-MTP-GGUF).
llama-server -hf unsloth/Qwen3.5-35B-A3B-MTP-GGUF:UD-Q4_K_M -c 8192 -ngl all --n-cpu-moe 32 -fa on- -ngl all: 모든 층을 GPU에 올립니다.
- --n-cpu-moe 32: 앞쪽 32개 층에 있는 전문가는 시스템 RAM에 두고, 전문가가 있는 나머지 8개 층은 전문가까지 GPU에 둡니다. 이 추정도 같은 배치로 계산했습니다.
- 불러올 때 메모리가 부족하다는 오류가 나면 값을 33까지 올리고, 그래도 부족하면 34까지 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 0.09GB로 줄어듭니다.
PowerShell(트레이의 Ollama를 먼저 종료하세요):
$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/Qwen3.5-35B-A3B-MTP-GGUF:UD-Q4_K_M- Ollama는 24GB 미만 GPU에서 컨텍스트 기본값이 4k입니다. 서버를 띄울 때 OLLAMA_CONTEXT_LENGTH를 지정하거나, 대화 안에서 /set parameter num_ctx를 쓰세요.
- Ollama 0.30 이상은 VRAM에 맞춰 전문가 일부를 시스템 RAM에 자동으로 둡니다. 그보다 오래된 버전은 층을 통째로 나눠 올려서 훨씬 느립니다.
/set parameter num_ctx 8192
관련 페이지
가이드: 로컬 LLM 사양 — 그래픽카드 VRAM 8~32GB별로 돌릴 수 있는 모델 (2026)
GeForce RTX 4060에서 다른 모델
다른 하드웨어에서 Qwen3.5 35B-A3B
자주 묻는 질문
GeForce RTX 4060에서 Qwen3.5 35B-A3B 돌릴 수 있나요?
Q4_K_M 기준으로 어텐션과 8개 층의 전문가는 GPU(7.3GB)에, 나머지 전문가는 시스템 RAM(16.7GB)에 둡니다. 판정: 원활, 속도: 추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%). Q4_K_M에는 8k 컨텍스트 기준 22.3GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 7.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 4060에서 Qwen3.5 35B-A3B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 64k(KV 1.3GB), q8_0 KV 캐시에서 64k(KV 0.7GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(22.63GB)입니다. 판정: 원활, 속도: 추정 39.3 tok/s (27.5–51.1, 이론 추정 ±30%). 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.