Apple M4에서 Qwen3.5 9B 돌릴 수 있을까?

원활Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 6.7GB를 씁니다. 판정: 원활, 속도: 추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%).

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

통합 메모리 16GB · 120.0 GB/s · FP16 3.8 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.

메모리 용량별 판정

이 페이지는 16GB 구성 기준입니다. 다른 용량은 아래와 같습니다.

16GB원활추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%)(이 페이지 기준)
24GB원활추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%)
32GB원활추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%)

Apple M4에서 Qwen3.5 9B: 양자화별 판정

등록된 GGUF 파일 3개, 작은 파일부터, 8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
IQ4_XS	5.47GB	원활	추정 15.9 tok/s12.7–19.1보정된 추정 ±20%	6.3 / 11.2GB	통합 메모리	—
Q4_K_M기준	5.87GB	원활	추정 14.9 tok/s11.9–17.8보정된 추정 ±20%	6.7 / 11.2GB	통합 메모리	—
Q8_0	9.79GB	겨우 가능	추정 9.1 tok/s7.3–10.9보정된 추정 ±20%	10.6 / 11.2GB	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: 5.9GB
KV 캐시: 0.3GB
연산 버퍼: 0.6GB
여유: 4.5GB
GPU가 못 쓰는 영역: 4.8GB

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	6.5GB원활 추정 15.2 tok/s12.2–18.2보정된 추정 ±20%	6.5GB원활 추정 15.3 tok/s12.3–18.4보정된 추정 ±20%	6.4GB원활 추정 15.4 tok/s12.3–18.5보정된 추정 ±20%
8k	6.7GB원활 추정 14.9 tok/s11.9–17.8보정된 추정 ±20%	6.6GB원활 추정 15.2 tok/s12.1–18.2보정된 추정 ±20%	6.5GB원활 추정 15.3 tok/s12.3–18.4보정된 추정 ±20%
16k	7.1GB원활 추정 14.2 tok/s11.4–17.1보정된 추정 ±20%	6.8GB원활 추정 14.8 tok/s11.8–17.8보정된 추정 ±20%	6.7GB원활 추정 15.1 tok/s12.1–18.2보정된 추정 ±20%
32k	7.7GB원활 추정 13.1 tok/s10.5–15.8보정된 추정 ±20%	7.2GB원활 추정 14.2 tok/s11.3–17.0보정된 추정 ±20%	7.0GB원활 추정 14.8 tok/s11.8–17.7보정된 추정 ±20%
64k	9.1GB겨우 가능 추정 11.4 tok/s9.1–13.7보정된 추정 ±20%	8.1GB원활 추정 13.0 tok/s10.4–15.6보정된 추정 ±20%	7.6GB원활 추정 14.1 tok/s11.3–16.9보정된 추정 ±20%
128k	10.2GB겨우 가능 추정 5.9 tok/s4.1–7.7이론 추정 ±30%	9.9GB겨우 가능 추정 11.2 tok/s8.9–13.4보정된 추정 ±20%	8.8GB원활 추정 12.9 tok/s10.3–15.4보정된 추정 ±20%
256k	17.4GB미탑재	10.5GB겨우 가능 추정 5.7 tok/s4.0–7.5이론 추정 ±30%	8.3GB겨우 가능 추정 7.2 tok/s5.0–9.4이론 추정 ±30%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k, q8_0에서 64k까지입니다.

예상 속도

생성: 추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%)
프롬프트 처리: 약 152 tok/s (91–213, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

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

다른 선택지

Apple M4에서 원활하게 도는 더 큰 모델
원활
Gemma 3 12B: 원활, 추정 11.6 tok/s (9.3–14.0, 보정된 추정 ±20%)
Apple M4 Pro에서 Qwen3.5 9B
쾌적
Q4_K_M: 쾌적, 실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%)

실행 방법

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

파일: Qwen3.5-9B-Q4_K_M.gguf (5.87GB, unsloth/Qwen3.5-9B-MTP-GGUF).

llama.cpp

llama-server -hf unsloth/Qwen3.5-9B-MTP-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 0.14GB로 줄어듭니다.

올라마(Ollama)

터미널:

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/unsloth/Qwen3.5-9B-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.
/set parameter num_ctx 8192

자주 묻는 질문

Apple M4에서 Qwen3.5 9B 돌릴 수 있나요?

Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 11.2GB 중 6.7GB를 씁니다. 판정: 원활, 속도: 추정 14.9 tok/s (11.9–17.8, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 6.7GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 11.2GB입니다.

Apple M4에서 Qwen3.5 9B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(원활)이 유지되는 컨텍스트는 f16 KV 캐시에서 32k(KV 1.1GB), q8_0 KV 캐시에서 64k(KV 1.1GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.

어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?

추천 파일은 Q4_K_M(5.87GB)입니다. 판정: 원활, 속도: 추정 14.9 tok/s (11.9–17.8, 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.