GeForce RTX 5090 能运行 Llama 3.1 8B 吗？
运行流畅Q4_K_M 可装入显存，还剩 25.1 GB：运行流畅，估算 209.3 tok/s（184.2–234.4，校准估算 ±12%）。
32 GB 显存 · 1,792.0 GB/s · FP16 104.8 TFLOPS。 按 32 GB DDR5-5600 系统内存、Windows 系统且由这块显卡负责显示输出、8k 上下文和 f16 KV 缓存计算。系统内存在 16 到 128 GB 之间时，上面的判定和量化文件都不变。
GeForce RTX 5090 上 Llama 3.1 8B 的全部量化
| 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 294.9 tok/s259.5–330.3校准估算 ±12% | 5.2 / 32.0 GB | 全部载入显卡 | — |
| IQ4_XS | 4.45 GB | 运行流畅 | 估算 227.1 tok/s199.8–254.3校准估算 ±12% | 6.4 / 32.0 GB | 全部载入显卡 | — |
| Q4_K_M基准 | 4.92 GB | 运行流畅 | 估算 209.3 tok/s184.2–234.4校准估算 ±12% | 6.9 / 32.0 GB | 全部载入显卡 | — |
| Q8_0 | 8.54 GB | 运行流畅 | 估算 130.5 tok/s114.8–146.1校准估算 ±12% | 10.2 / 32.0 GB | 全部载入显卡 | — |
Q4_K_M 下的内存占用
- 权重
- 4.6 GB
- KV 缓存
- 1.1 GB
- 计算缓冲区
- 0.6 GB
- OS 预留
- 0.6 GB
- 空闲
- 25.1 GB
4.92 GB 文件中有 0.30 GB 不会放到显卡上：llama.cpp 把输入嵌入表保留在系统内存中。
上下文长度与 KV 缓存
| 上下文 | KV f16 | KV q8_0 | KV q4_0 |
|---|---|---|---|
| 4k | 5.7 GB运行流畅 估算 229.9 tok/s202.3–257.5校准估算 ±12% | 5.4 GB运行流畅 估算 240.9 tok/s212.0–269.8校准估算 ±12% | 5.3 GB运行流畅 估算 247.3 tok/s217.6–276.9校准估算 ±12% |
| 8k | 6.3 GB运行流畅 估算 209.3 tok/s184.2–234.4校准估算 ±12% | 5.8 GB运行流畅 估算 228.3 tok/s200.9–255.7校准估算 ±12% | 5.5 GB运行流畅 估算 240.0 tok/s211.2–268.8校准估算 ±12% |
| 16k | 7.4 GB运行流畅 估算 177.5 tok/s156.2–198.8校准估算 ±12% | 6.4 GB运行流畅 估算 206.7 tok/s181.9–231.5校准估算 ±12% | 5.9 GB运行流畅 估算 226.8 tok/s199.5–254.0校准估算 ±12% |
| 32k | 9.7 GB运行流畅 估算 136.1 tok/s119.8–152.5校准估算 ±12% | 7.7 GB运行流畅 估算 173.8 tok/s152.9–194.6校准估算 ±12% | 6.6 GB运行流畅 估算 204.2 tok/s179.7–228.7校准估算 ±12% |
| 64k | 14.3 GB运行流畅 估算 92.9 tok/s81.7–104.0校准估算 ±12% | 10.3 GB运行流畅 估算 131.8 tok/s116.0–147.6校准估算 ±12% | 8.2 GB运行流畅 估算 170.2 tok/s149.8–190.7校准估算 ±12% |
| 128k | 23.5 GB运行流畅 估算 56.8 tok/s49.9–63.6校准估算 ±12% | 15.5 GB运行流畅 估算 88.9 tok/s78.2–99.6校准估算 ±12% | 11.2 GB运行流畅 估算 127.8 tok/s112.5–143.1校准估算 ±12% |
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 128k，q8_0 为 128k。
估算速度
- 生成
- 估算 209.3 tok/s（184.2–234.4，校准估算 ±12%）
- 提示词处理
- 约 13,656 tok/s（8,194–19,119，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 GeForce RTX 5090 上同样运行良好的更大模型
运行良好Kolibri 1: 运行良好，估算 83.3 tok/s（58.3–108.3，理论估算 ±30%）
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 130.5 tok/s（114.8–146.1，校准估算 ±12%）
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-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。
PowerShell（先退出托盘中的 Ollama 程序）：
$env: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
相关页面
GeForce RTX 5090 上的其他模型
其他硬件上的 Llama 3.1 8B
常见问题
GeForce RTX 5090 能运行 Llama 3.1 8B 吗？
Q4_K_M 可装入显存，还剩 25.1 GB：运行流畅，估算 209.3 tok/s（184.2–234.4，校准估算 ±12%）。Q4_K_M 在 8k 上下文下需要 6.3 GB；这套配置有 31.4 GB 可用内存和 28.0 GB 空闲系统内存。
Llama 3.1 8B 在 GeForce RTX 5090 上最多能用多长的上下文？
在 Q4_K_M 下，判定仍为“运行流畅”的上下文上限：f16 KV 缓存为 128k（KV 17.2 GB），q8_0 KV 缓存为 128k（KV 9.2 GB）。该模型最多支持 128k 上下文。
该用哪个量化？速度如何？
Q4_K_M（4.92 GB）是推荐的平衡之选：运行流畅，估算 209.3 tok/s（184.2–234.4，校准估算 ±12%）。仍能达到“运行流畅”的已收录最大文件是 Q8_0（8.54 GB），估算 130.5 tok/s（114.8–146.1，校准估算 ±12%）。
速度是根据内存带宽得出的估算值，并用公开基准测试结果校准，每个数值都附有误差范围和可信度标签。实际结果会因驱动、后端、上下文长度和散热情况而有所不同。