GeForce RTX 5060 Ti 16GB 能运行 Qwen3 14B 吗？

运行流畅Q4_K_M 可装入显存，还剩 4.9 GB：运行流畅，估算 30.3 tok/s（26.7–34.0，校准估算 ±12%）。

开放许可证 · Apache-2.0 社区 GGUF · unsloth思考模式

16 GB 显存 · 448.0 GB/s · FP16 23.7 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 5060 Ti 16GB 上 Qwen3 14B 的全部量化

4 个已收录的 GGUF 文件，从小到大排列，系统内存 32 GB、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	5.75 GB	运行流畅	估算 44.2 tok/s38.9–49.5校准估算 ±12%	8.0 / 16.0 GB	全部载入显卡	—
IQ4_XS	8.14 GB	运行流畅	估算 33.1 tok/s29.1–37.0校准估算 ±12%	10.2 / 16.0 GB	全部载入显卡	—
Q4_K_M基准	9.00 GB	运行流畅	估算 30.3 tok/s26.7–34.0校准估算 ±12%	11.1 / 16.0 GB	全部载入显卡	—
Q8_0	15.70 GB	运行较慢	估算 10.0 tok/s8.0–12.0校准估算 ±20%	16.0 / 16.0 GB + 2.2 GB 内存	部分卸载	—

带思考模式的模型会额外花 token 来思考，所以速度门槛按 1.5 倍从严设定（30 / 12 / 3 tok/s）。关闭思考模式后，判定可能会高一级。

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。

显存

权重: 8.6 GB
KV 缓存: 1.3 GB
计算缓冲区: 0.6 GB
OS 预留: 0.6 GB
空闲: 4.9 GB

9.00 GB 文件中有 0.44 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：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	9.8 GB运行流畅估算 32.4 tok/s28.5–36.3校准估算 ±12%	9.5 GB运行流畅估算 33.5 tok/s29.5–37.5校准估算 ±12%	9.3 GB运行流畅估算 34.1 tok/s30.0–38.2校准估算 ±12%
8k	10.5 GB运行流畅估算 30.3 tok/s26.7–34.0校准估算 ±12%	9.9 GB运行流畅估算 32.3 tok/s28.4–36.1校准估算 ±12%	9.5 GB运行流畅估算 33.4 tok/s29.4–37.4校准估算 ±12%
16k	11.9 GB运行良好估算 26.8 tok/s23.6–30.1校准估算 ±12%	10.6 GB运行流畅估算 30.0 tok/s26.4–33.7校准估算 ±12%	10.0 GB运行流畅估算 32.1 tok/s28.3–36.0校准估算 ±12%
32k	14.7 GB运行良好估算 21.8 tok/s19.2–24.4校准估算 ±12%	12.2 GB运行良好估算 26.4 tok/s23.2–29.6校准估算 ±12%	10.9 GB运行良好估算 29.8 tok/s26.2–33.4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 8k，q8_0 为 16k。

估算速度

生成: 估算 30.3 tok/s（26.7–34.0，校准估算 ±12%）
提示词处理: 约 1,709 tok/s（1,025–2,392，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 5060 Ti 16GB 上同样运行良好的更大模型
运行良好
Qwen3.5 35B-A3B: 运行良好，估算 62.4 tok/s（43.7–81.1，理论估算 ±30%）

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：Qwen3-14B-Q4_K_M.gguf（9.00 GB），来自 unsloth/Qwen3-14B-GGUF。

llama.cpp

llama-server -hf unsloth/Qwen3-14B-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 0.72 GB。

Ollama

PowerShell（先退出托盘中的 Ollama 程序）：

$env:OLLAMA_CONTEXT_LENGTH="8192"; ollama serve
ollama run hf.co/unsloth/Qwen3-14B-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