GeForce RTX 5090에서 Qwen3.5 9B 돌릴 수 있을까?
쾌적Q4_K_M 기준으로 VRAM에 들어가고 25.4GB가 남습니다. 판정: 쾌적, 속도: 추정 204.4 tok/s (179.8–228.9, 보정된 추정 ±12%).
VRAM 32GB · 1,792.0 GB/s · FP16 104.8 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 5090에서 Qwen3.5 9B: 양자화별 판정
| 양자화 | 파일 크기 | 판정 | 속도 | 메모리 | 실행 방식 | 참고 |
|---|---|---|---|---|---|---|
| IQ4_XS | 5.47GB | 쾌적 | 추정 218.6 tok/s192.4–244.8보정된 추정 ±12% | 6.2 / 32.0GB | 풀 GPU | — |
| Q4_K_M기준 | 5.87GB | 쾌적 | 추정 204.4 tok/s179.8–228.9보정된 추정 ±12% | 6.6 / 32.0GB | 풀 GPU | — |
| Q8_0 | 9.79GB | 쾌적 | 추정 124.7 tok/s109.7–139.7보정된 추정 ±12% | 9.9 / 32.0GB | 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
- 5.1GB
- KV 캐시
- 0.3GB
- 연산 버퍼
- 0.6GB
- OS 예약
- 0.6GB
- 여유
- 25.4GB
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 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 5.8GB쾌적 추정 208.9 tok/s183.8–234.0보정된 추정 ±12% | 5.7GB쾌적 추정 211.1 tok/s185.8–236.4보정된 추정 ±12% | 5.7GB쾌적 추정 212.3 tok/s186.8–237.8보정된 추정 ±12% |
| 8k | 6.0GB쾌적 추정 204.4 tok/s179.8–228.9보정된 추정 ±12% | 5.8GB쾌적 추정 208.6 tok/s183.6–233.6보정된 추정 ±12% | 5.8GB쾌적 추정 210.9 tok/s185.6–236.3보정된 추정 ±12% |
| 16k | 6.3GB쾌적 추정 195.8 tok/s172.3–219.3보정된 추정 ±12% | 6.1GB쾌적 추정 203.7 tok/s179.3–228.2보정된 추정 ±12% | 5.9GB쾌적 추정 208.3 tok/s183.3–233.3보정된 추정 ±12% |
| 32k | 7.0GB쾌적 추정 180.7 tok/s159.0–202.3보정된 추정 ±12% | 6.5GB쾌적 추정 194.6 tok/s171.3–218.0보정된 추정 ±12% | 6.2GB쾌적 추정 203.1 tok/s178.7–227.5보정된 추정 ±12% |
| 64k | 8.4GB쾌적 추정 156.5 tok/s137.7–175.2보정된 추정 ±12% | 7.4GB쾌적 추정 178.7 tok/s157.3–200.2보정된 추정 ±12% | 6.8GB쾌적 추정 193.5 tok/s170.3–216.7보정된 추정 ±12% |
| 128k | 11.1GB쾌적 추정 123.4 tok/s108.6–138.2보정된 추정 ±12% | 9.1GB쾌적 추정 153.6 tok/s135.1–172.0보정된 추정 ±12% | 8.0GB쾌적 추정 176.8 tok/s155.6–198.0보정된 추정 ±12% |
| 256k | 16.6GB쾌적 추정 86.8 tok/s76.3–97.2보정된 추정 ±12% | 12.6GB쾌적 추정 119.9 tok/s105.5–134.2보정된 추정 ±12% | 10.5GB쾌적 추정 150.8 tok/s132.7–168.9보정된 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 204.4 tok/s (179.8–228.9, 보정된 추정 ±12%)
- 프롬프트 처리
- 약 11,445 tok/s (6,867–16,023, 대략적 추정 ±40%)
이 조합의 벤치마크 결과
이 조합으로 잰 공개 벤치마크 결과는 아직 없습니다. 위 수치는 모두 추정치입니다.
다른 선택지
GeForce RTX 5090에서 원활하게 도는 더 큰 모델
원활Kolibri 1: 원활, 추정 83.3 tok/s (58.3–108.3, 이론 추정 ±30%)
쾌적하게 돌아가는 더 큰 양자화 파일
쾌적Q8_0(9.79GB): 쾌적, 추정 124.7 tok/s (109.7–139.7, 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-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.
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
관련 페이지
자주 묻는 질문
GeForce RTX 5090에서 Qwen3.5 9B 돌릴 수 있나요?
Q4_K_M 기준으로 VRAM에 들어가고 25.4GB가 남습니다. 판정: 쾌적, 속도: 추정 204.4 tok/s (179.8–228.9, 보정된 추정 ±12%). Q4_K_M에는 8k 컨텍스트 기준 6.0GB가 필요하고, 이 구성에서 쓸 수 있는 메모리는 31.4GB, 여유 시스템 RAM은 28.0GB입니다.
GeForce RTX 5090에서 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 204.4 tok/s (179.8–228.9, 보정된 추정 ±12%). 같은 판정(쾌적)이 나오는 가장 큰 파일은 Q8_0(9.79GB)이고, 속도는 추정 124.7 tok/s (109.7–139.7, 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.