Apple M4 Pro 能运行 Llama 3.1 8B 吗？

运行流畅Q4_K_M 可装入统一内存（GPU 可用 16.8 GB，占用 6.6 GB）：运行流畅，估算 34.6 tok/s（27.7–41.5，校准估算 ±20%）。

统一内存：默认设置下 GPU 大约可以使用其中的 70%自定义许可证 · Llama 3.1，商用前请先查看条款社区 GGUF · bartowski

24 GB 统一内存 · 273.0 GB/s · FP16 8.1 TFLOPS。按 8k 上下文和 f16 KV 缓存计算。判定按内存容量分别列出。

不同内存容量下的判定

本页使用 24 GB 配置；下面列出所有容量。

24 GB运行流畅估算 34.6 tok/s（27.7–41.5，校准估算 ±20%）(本页采用)
48 GB运行流畅估算 34.6 tok/s（27.7–41.5，校准估算 ±20%）
64 GB运行流畅估算 34.6 tok/s（27.7–41.5，校准估算 ±20%）

Apple M4 Pro 上 Llama 3.1 8B 的全部量化

4 个已收录的 GGUF 文件，从小到大排列，8k 上下文
量化	文件大小	判定	速度	显存/内存	运行方式	备注
Q2_K	3.18 GB	运行流畅	估算 48.8 tok/s39.0–58.5校准估算 ±20%	4.8 / 16.8 GB	统一内存	—
IQ4_XS	4.45 GB	运行流畅	估算 37.6 tok/s30.0–45.1校准估算 ±20%	6.1 / 16.8 GB	统一内存	—
Q4_K_M基准	4.92 GB	运行流畅	估算 34.6 tok/s27.7–41.5校准估算 ±20%	6.6 / 16.8 GB	统一内存	—
Q8_0	8.54 GB	运行流畅	估算 21.6 tok/s17.3–25.9校准估算 ±20%	10.2 / 16.8 GB	统一内存	—

Q4_K_M 下的内存占用

权重、KV 缓存和计算缓冲区属于模型；OS 预留是显示驱动占用的部分。

统一内存

权重: 4.9 GB
KV 缓存: 1.1 GB
计算缓冲区: 0.6 GB
空闲: 10.2 GB
GPU 不可用: 7.2 GB

上下文长度与 KV 缓存

上下文：8k

KV 缓存f16q8_0q4_0

Q4_K_M 下各上下文长度和 KV 缓存类型所需的内存与判定，以及估算速度（tok/s）。
上下文	KV f16	KV q8_0	KV q4_0
4k	6.0 GB运行流畅估算 38.0 tok/s30.4–45.6校准估算 ±20%	5.7 GB运行流畅估算 39.8 tok/s31.9–47.8校准估算 ±20%	5.6 GB运行流畅估算 40.9 tok/s32.7–49.1校准估算 ±20%
8k	6.6 GB运行流畅估算 34.6 tok/s27.7–41.5校准估算 ±20%	6.1 GB运行流畅估算 37.8 tok/s30.2–45.3校准估算 ±20%	5.8 GB运行流畅估算 39.7 tok/s31.8–47.6校准估算 ±20%
16k	7.7 GB运行流畅估算 29.4 tok/s23.5–35.2校准估算 ±20%	6.7 GB运行流畅估算 34.2 tok/s27.3–41.0校准估算 ±20%	6.2 GB运行流畅估算 37.5 tok/s30.0–45.0校准估算 ±20%
32k	10.0 GB运行流畅估算 22.5 tok/s18.0–27.0校准估算 ±20%	8.0 GB运行流畅估算 28.7 tok/s23.0–34.5校准估算 ±20%	6.9 GB运行流畅估算 33.8 tok/s27.0–40.5校准估算 ±20%
64k	14.6 GB运行良好估算 15.4 tok/s12.3–18.4校准估算 ±20%	10.6 GB运行流畅估算 21.8 tok/s17.4–26.2校准估算 ±20%	8.5 GB运行流畅估算 28.2 tok/s22.5–33.8校准估算 ±20%
128k	23.8 GB装不下	15.8 GB运行良好估算 14.7 tok/s11.8–17.6校准估算 ±20%	11.5 GB运行流畅估算 21.1 tok/s16.9–25.4校准估算 ±20%

S = 运行流畅 · A = 运行良好 · B = 运行较慢 · F = 无法运行

在 Q4_K_M 下，判定仍为“运行流畅”的上下文上限：f16 KV 缓存为 32k，q8_0 为 64k。

估算速度

生成: 估算 34.6 tok/s（27.7–41.5，校准估算 ±20%）
提示词处理: 约 390 tok/s（234–546，粗略估算 ±40%）

这一组合的实测结果

这一组合还没有公开的实测结果；上面的数字都是估算。

如果这还不够

在 Apple M4 Pro 上同样运行良好的更大模型
运行良好
Mistral Small 3.2 24B: 运行良好，估算 13.2 tok/s（10.6–15.9，校准估算 ±20%）
仍能运行流畅的更大量化
运行流畅
Q8_0（8.54 GB）：运行流畅，估算 21.6 tok/s（17.3–25.9，校准估算 ±20%）

运行方法

以下命令使用 Q4_K_M 文件。两个工具都会在首次运行时从 Hugging Face 下载。

文件：Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf（4.92 GB），来自 bartowski/Meta-Llama-3.1-8B-Instruct-GGUF。

llama.cpp

llama-server -hf bartowski/Meta-Llama-3.1-8B-Instruct-GGUF:Q4_K_M -c 8192 -ngl all -fa on

-ngl all 把所有层都加载到 GPU 上。
-fa on 开启 Flash Attention（量化 KV 缓存时需要）。
--cache-type-k q8_0 --cache-type-v q8_0 可将 8k 上下文下的 KV 缓存缩小到 0.57 GB。

Ollama

终端：

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF:Q4_K_M

在显存低于 24 GB 的 GPU 上，Ollama 默认使用 4k 上下文。可在启动服务器时设置 OLLAMA_CONTEXT_LENGTH，或在对话中使用 /set parameter num_ctx。
/set parameter num_ctx 8192

常见问题