Apple M4 Pro에서 Qwen3.5 9B 돌릴 수 있을까?
쾌적Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.7GB를 씁니다. 판정: 쾌적, 속도: 실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%).
통합 메모리 24GB · 273.0 GB/s · FP16 8.1 TFLOPS. 8k 컨텍스트와 f16 KV 캐시를 기준으로 계산했습니다. 판정은 메모리 용량별로 보여 줍니다.
메모리 용량별 판정
이 페이지는 24GB 구성 기준입니다. 다른 용량은 아래와 같습니다.
- 24GB쾌적실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%)(이 페이지 기준)
- 48GB쾌적실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%)
- 64GB쾌적실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%)
Apple M4 Pro에서 Qwen3.5 9B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| IQ4_XS | 5.47GB | 쾌적 | 추정 36.2 tok/s28.9–43.4보정된 추정 ±20% | 6.3 / 16.8GB | 통합 메모리 | — |
| Q4_K_M기준 | 5.87GB | 쾌적 | 37.0 tok/s8k 추정 33.8 tok/s (27.0–40.6, 보정된 추정 ±20%)실측 1건 (4k 컨텍스트) | 6.7 / 16.8GB | 통합 메모리 | — |
| Q8_0 | 9.79GB | 원활 | 추정 20.6 tok/s16.5–24.8보정된 추정 ±20% | 10.6 / 16.8GB | 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
- 5.9GB
- KV 캐시
- 0.3GB
- 연산 버퍼
- 0.6GB
- 여유
- 10.1GB
- GPU가 못 쓰는 영역
- 7.2GB
컨텍스트 길이와 KV 캐시
| 컨텍스트 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 6.5GB쾌적 추정 34.6 tok/s27.6–41.5보정된 추정 ±20% | 6.5GB쾌적 추정 34.9 tok/s27.9–41.9보정된 추정 ±20% | 6.4GB쾌적 추정 35.1 tok/s28.1–42.1보정된 추정 ±20% |
| 8k | 6.7GB쾌적 37.0 tok/s8k 추정 33.8 tok/s (27.0–40.6, 보정된 추정 ±20%)실측 1건 (4k 컨텍스트) | 6.6GB쾌적 추정 34.5 tok/s27.6–41.4보정된 추정 ±20% | 6.5GB쾌적 추정 34.9 tok/s27.9–41.9보정된 추정 ±20% |
| 16k | 7.1GB쾌적 추정 32.4 tok/s25.9–38.9보정된 추정 ±20% | 6.8GB쾌적 추정 33.7 tok/s27.0–40.4보정된 추정 ±20% | 6.7GB쾌적 추정 34.4 tok/s27.6–41.3보정된 추정 ±20% |
| 32k | 7.7GB원활 추정 29.9 tok/s23.9–35.9보정된 추정 ±20% | 7.2GB쾌적 추정 32.2 tok/s25.8–38.6보정된 추정 ±20% | 7.0GB쾌적 추정 33.6 tok/s26.9–40.3보정된 추정 ±20% |
| 64k | 9.1GB원활 추정 25.9 tok/s20.7–31.1보정된 추정 ±20% | 8.1GB원활 추정 29.6 tok/s23.6–35.5보정된 추정 ±20% | 7.6GB쾌적 추정 32.0 tok/s25.6–38.4보정된 추정 ±20% |
| 128k | 11.9GB원활 추정 20.4 tok/s16.3–24.5보정된 추정 ±20% | 9.9GB원활 추정 25.4 tok/s20.3–30.5보정된 추정 ±20% | 8.8GB원활 추정 29.2 tok/s23.4–35.1보정된 추정 ±20% |
| 256k | 14.5GB겨우 가능 추정 9.4 tok/s6.6–12.3이론 추정 ±30% | 13.4GB원활 추정 19.8 tok/s15.9–23.8보정된 추정 ±20% | 11.2GB원활 추정 24.9 tok/s20.0–29.9보정된 추정 ±20% |
S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k, q8_0에서 32k까지입니다.
예상 속도
- 생성
- 실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%)
- 프롬프트 처리
- 약 327 tok/s (196–457, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.
| 하드웨어 | 양자화 | 백엔드 | 컨텍스트 | 프롬프트 (tok/s) | 생성 (tok/s) | 플래그 | 출처 | 측정일 |
|---|---|---|---|---|---|---|---|---|
| Apple M4 Pro | Q4_K_M | llama.cpp | 4k | — | 37.0 | — | github.com | 2026-07-29 |
다른 선택지
Apple M4 Pro에서 원활하게 도는 더 큰 모델
원활Mistral Small 3.2 24B: 원활, 추정 13.2 tok/s (10.6–15.9, 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-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.
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
관련 페이지
자주 묻는 질문
Apple M4 Pro에서 Qwen3.5 9B 돌릴 수 있나요?
Q4_K_M 파일이 통합 메모리에 올라갑니다. GPU가 쓸 수 있는 16.8GB 중 6.7GB를 씁니다. 판정: 쾌적, 속도: 실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 보정된 추정 ±20%). Q4_K_M에는 8k 컨텍스트 기준 6.7GB가 필요하고, 통합 메모리 중 GPU가 쓸 수 있는 양은 16.8GB입니다.
Apple M4 Pro에서 Qwen3.5 9B 컨텍스트는 얼마까지 쓸 수 있나요?
Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 16k(KV 0.5GB), q8_0 KV 캐시에서 32k(KV 0.6GB)까지입니다. 모델이 지원하는 최대 컨텍스트는 256k입니다.
어떤 양자화 파일을 받아야 하고, 속도는 얼마나 나오나요?
추천 파일은 Q4_K_M(5.87GB)입니다. 판정: 쾌적, 속도: 실측 37.0 tok/s (4k 컨텍스트, 1건; 8k 추정 33.8 tok/s, 27.0–40.6, 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.