GeForce RTX 3090에서 Qwen3.5 9B 돌릴 수 있을까?

쾌적Q4_K_M 기준으로 VRAM에 들어가고 17.4GB가 남습니다. 판정: 쾌적, 속도: 추정 106.7 tok/s (93.9–119.5, 보정된 추정 ±12%).

오픈 라이선스 · Apache-2.0 커뮤니티 GGUF · unsloth생각 모드

VRAM 24GB · 936.0 GB/s · FP16 35.6 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 3090에서 Qwen3.5 9B: 양자화별 판정

등록된 GGUF 파일 3개, 작은 파일부터, 시스템 RAM 32GB·8k 컨텍스트 기준
양자화	파일 크기	판정	속도	메모리	실행 방식	참고
IQ4_XS	5.47GB	쾌적	추정 114.2 tok/s100.5–127.9보정된 추정 ±12%	6.2 / 24.0GB	풀 GPU	—
Q4_K_M기준	5.87GB	쾌적	추정 106.7 tok/s93.9–119.5보정된 추정 ±12%	6.6 / 24.0GB	풀 GPU	—
Q8_0	9.79GB	쾌적	추정 65.1 tok/s57.3–73.0보정된 추정 ±12%	9.9 / 24.0GB	풀 GPU	—

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.

GPU 메모리

가중치: 5.1GB
KV 캐시: 0.3GB
연산 버퍼: 0.6GB
OS 예약: 0.6GB
여유: 17.4GB

5.87GB 파일 가운데 0.75GB는 그래픽카드에 올라가지 않습니다. llama.cpp는 입력 임베딩 표를 시스템 RAM에 두고, MTP(다중 토큰 예측) 블록 0.17GB는 기본 설정에서 불러오지 않습니다. MTP 추측 디코딩(llama.cpp --spec-type draft-mtp)을 켜면 이 블록과 MTP용 KV 캐시만큼 메모리가 더 듭니다.

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	5.8GB쾌적 추정 109.1 tok/s96.0–122.2보정된 추정 ±12%	5.7GB쾌적 추정 110.3 tok/s97.0–123.5보정된 추정 ±12%	5.7GB쾌적 추정 110.9 tok/s97.6–124.2보정된 추정 ±12%
8k	6.0GB쾌적 추정 106.7 tok/s93.9–119.5보정된 추정 ±12%	5.8GB쾌적 추정 109.0 tok/s95.9–122.0보정된 추정 ±12%	5.8GB쾌적 추정 110.2 tok/s97.0–123.4보정된 추정 ±12%
16k	6.3GB쾌적 추정 102.3 tok/s90.0–114.5보정된 추정 ±12%	6.1GB쾌적 추정 106.4 tok/s93.6–119.2보정된 추정 ±12%	5.9GB쾌적 추정 108.8 tok/s95.7–121.8보정된 추정 ±12%
32k	7.0GB쾌적 추정 94.4 tok/s83.0–105.7보정된 추정 ±12%	6.5GB쾌적 추정 101.7 tok/s89.5–113.9보정된 추정 ±12%	6.2GB쾌적 추정 106.1 tok/s93.4–118.8보정된 추정 ±12%
64k	8.4GB쾌적 추정 81.7 tok/s71.9–91.5보정된 추정 ±12%	7.4GB쾌적 추정 93.3 tok/s82.1–104.5보정된 추정 ±12%	6.8GB쾌적 추정 101.1 tok/s88.9–113.2보정된 추정 ±12%
128k	11.1GB쾌적 추정 64.5 tok/s56.7–72.2보정된 추정 ±12%	9.1GB쾌적 추정 80.2 tok/s70.6–89.8보정된 추정 ±12%	8.0GB쾌적 추정 92.4 tok/s81.3–103.4보정된 추정 ±12%
256k	16.6GB쾌적 추정 45.3 tok/s39.9–50.7보정된 추정 ±12%	12.6GB쾌적 추정 62.6 tok/s55.1–70.1보정된 추정 ±12%	10.5GB쾌적 추정 78.8 tok/s69.3–88.2보정된 추정 ±12%

S = 쾌적 · A = 원활 · B = 겨우 가능 · F = 불가

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k, q8_0에서 256k까지입니다.

예상 속도

생성: 추정 106.7 tok/s (93.9–119.5, 보정된 추정 ±12%)
프롬프트 처리: 약 3,888 tok/s (2,333–5,443, 대략적 추정 ±40%)

이 조합의 벤치마크 결과

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

다른 선택지

GeForce RTX 3090에서 원활하게 도는 더 큰 모델
원활
K2-Horizon MoVA 36B-A4B: 원활, 추정 79.2 tok/s (55.5–103.0, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적
Q8_0(9.79GB): 쾌적, 추정 65.1 tok/s (57.3–73.0, 보정된 추정 ±12%)

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)

PowerShell(트레이의 Ollama를 먼저 종료하세요):

$env: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

GeForce RTX 3090에서 Qwen3.5 9B 돌릴 수 있나요?

Q4_K_M 기준으로 VRAM에 들어가고 17.4GB가 남습니다. 판정: 쾌적, 속도: 추정 106.7 tok/s (93.9–119.5, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 6.0GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 23.4GB, 여유 시스템 RAM은 28.0GB입니다.

GeForce RTX 3090에서 Qwen3.5 9B 컨텍스트는 얼마까지 쓸 수 있나요?

Q4_K_M 기준으로 판정(쾌적)이 유지되는 컨텍스트는 f16 KV 캐시에서 256k(KV 8.6GB), q8_0 KV 캐시에서 256k(KV 4.6GB)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: 추정 106.7 tok/s (93.9–119.5, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(9.79GB)이고, 속도는 추정 65.1 tok/s (57.3–73.0, 보정된 추정 ±12%)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.