GeForce RTX 4060 能运行 Qwen3 30B-A3B (2507) 吗？

运行良好Q4_K_M 把注意力部分和 13 层的专家放在 GPU 上（7.6 GB），其余专家放在 13.0 GB 系统内存中：运行良好，估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）。

8 GB 显存 · 272.0 GB/s · FP16 15.1 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。

不同系统内存容量下的判定

本页假设系统内存为 32 GB。对于这一组合，判定取决于你有多少系统内存。

16 GB无法运行改用 IQ4_XS：运行良好估算 36.1 tok/s（25.2–46.9，理论估算 ±30%）
32 GB运行良好估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）(本页采用)
64 GB运行良好估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）
96 GB运行良好估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）
128 GB运行良好估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）

GeForce RTX 4060 上 Qwen3 30B-A3B (2507) 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	11.26 GB	运行良好	估算 50.2 tok/s35.1–65.2理论估算 ±30%	7.7 / 8.0 GB + 5.6 GB 内存	MoE 专家放在内存	未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中
IQ4_XS	16.38 GB	运行良好	估算 36.1 tok/s25.2–46.9理论估算 ±30%	7.6 / 8.0 GB + 10.8 GB 内存	MoE 专家放在内存	未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中
Q4_K_M基准	18.56 GB	运行良好	估算 32.4 tok/s22.6–42.1理论估算 ±30%	7.6 / 8.0 GB + 13.0 GB 内存	MoE 专家放在内存	未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中
Q8_0	32.48 GB	运行较慢	估算 18.8 tok/s13.2–24.5理论估算 ±30%	7.2 / 8.0 GB + 27.3 GB 内存	MoE 专家放在内存	专家在系统内存中运行：这种方式需要达到 20 tok/s 及以上才算“运行良好”

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

系统内存

权重: 5.6 GB
KV 缓存: 0.8 GB
计算缓冲区: 0.6 GB
OS 预留: 0.6 GB
空闲: 0.4 GB
系统内存中的权重: 13.0 GB

系统内存、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	19.3 GB运行良好估算 35.2 tok/s24.6–45.8理论估算 ±30%	19.1 GB运行良好估算 36.5 tok/s25.5–47.4理论估算 ±30%	19.0 GB运行良好估算 37.7 tok/s26.4–49.1理论估算 ±30%
8k	19.8 GB运行良好估算 32.4 tok/s22.6–42.1理论估算 ±30%	19.4 GB运行良好估算 35.0 tok/s24.5–45.5理论估算 ±30%	19.2 GB运行良好估算 36.4 tok/s25.5–47.3理论估算 ±30%
16k	20.6 GB运行良好估算 27.5 tok/s19.3–35.8理论估算 ±30%	19.9 GB运行良好估算 31.7 tok/s22.2–41.1理论估算 ±30%	19.5 GB运行良好估算 34.4 tok/s24.1–44.7理论估算 ±30%
32k	22.4 GB运行良好估算 21.4 tok/s15.0–27.8理论估算 ±30%	20.9 GB运行良好估算 27.1 tok/s19.0–35.2理论估算 ±30%	20.1 GB运行良好估算 31.4 tok/s22.0–40.8理论估算 ±30%
64k	25.0 GB运行较慢估算 4.6 tok/s3.6–5.5校准估算 ±20%	22.9 GB运行良好估算 20.7 tok/s14.5–26.9理论估算 ±30%	21.3 GB运行良好估算 26.1 tok/s18.3–34.0理论估算 ±30%
128k	33.0 GB装不下	25.5 GB运行较慢估算 4.3 tok/s3.5–5.2校准估算 ±20%	23.7 GB运行较慢估算 19.9 tok/s13.9–25.9理论估算 ±30%
256k	47.0 GB装不下	35.1 GB装不下	25.9 GB运行较慢估算 4.1 tok/s3.3–4.9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“运行良好”的上下文上限：f16 KV 缓存为 32k，q8_0 为 64k。

估算速度

生成: 估算 32.4 tok/s（22.6–42.1，理论估算 ±30%）
提示词处理: 只有整个模型都在 GPU 上运行时，才提供提示词处理速度估算。

判定依据: 未全部载入显卡：要达到“运行流畅”，整个模型都必须放在显存中

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 4060 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 39.3 tok/s（27.5–51.1，理论估算 ±30%）
只把专家放在系统内存
--n-cpu-moe 35 只把前 35 层的专家放在系统内存中，其余全部放在 GPU 上（本估算即按此计算）。

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。

这些命令假设系统内存为 32 GB。如果你的内存容量不同，请在上方“系统内存、上下文长度与 KV 缓存”中选择对应容量，查看相应的命令。

文件：Qwen3-30B-A3B-Instruct-2507-Q4_K_M.gguf（18.56 GB），来自 unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF。

llama.cpp

llama-server -hf unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:Q4_K_M -c 8192 -ngl all --n-cpu-moe 35 -fa on

-ngl all 把所有层都加载到 GPU 上。
--n-cpu-moe 35 把前 35 层的专家放在系统内存中；其余 13 个含专家的层把专家留在 GPU 上。本估算也按同样的划分计算。
如果加载时出现内存不足（out of memory）错误，把该值调高到 36；还不够就调到 37。
如果省略 -ngl 和 --n-cpu-moe，llama.cpp b7410（2025 年 12 月）及更新版本会自行以类似方式拆分模型。
-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 0.43 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/Qwen3-30B-A3B-Instruct-2507-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。
Ollama 0.30 及更新版本会自动把一部分专家放在系统内存中，以适应你的显存。旧版本则按整层拆分，速度要慢得多。
/set parameter num_ctx 8192

常见问题