GeForce RTX 4070 能跑哪些本地大模型？

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。

规格

显存: 12 GB
内存带宽: 504.0 GB/s
FP16 算力: 29.1 TFLOPS
发布年份: 2023
价格: 首发价 US$599
其他写法: 4070

判定一览

基于 Q4_K_M（或最接近的可用量化）、8k 上下文。

运行流畅27 个模型运行良好8 个模型运行较慢13 个模型无法运行10 个模型另有 2 个模型可以用更低的量化运行。

判定说明

运行流畅: 全部载入显卡，且达到 20 tok/s 及以上
运行良好: 全部载入显卡且为 8–20 tok/s；MoE 专家放在系统内存且达到 20 tok/s 及以上；或至少 90% 载入显卡且达到 8 tok/s 及以上
运行较慢: 2–8 tok/s；纯 CPU；载入显卡不足 90%；或 MoE 专家放在系统内存且低于 20 tok/s
无法运行: 内存装不下，或低于 2 tok/s

GeForce RTX 4070 上的全部模型

稠密模型分摊在 GPU 和 CPU 上运行时，速度会大幅下降，整体速度由 CPU 那一侧决定。只把专家放在系统内存的 MoE 模型，速度下降要温和得多。

左右滑动可查看所有列。

58 个模型，按判定和速度排序
模型	判定	速度	量化	显存/内存	运行方式	上下文	备注
MiniCPM5 1B	运行流畅	估算 395.8 tok/s348.3–443.3校准估算 ±12%	Q4_K_M	1.9 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Llama 3.2 1B	运行流畅	估算 327.1 tok/s287.9–366.4校准估算 ±12%	Q4_K_M	2.2 / 12.0 GB	全部载入显卡	最长 128k	—
Ling-3.0 Tiny	运行流畅	估算 269.7 tok/s188.8–350.5理论估算 ±30%	Q4_K_M	5.9 / 12.0 GB	全部载入显卡	最长 128k	思考模式
EXAONE 4.0 1.2B	运行流畅	估算 268.6 tok/s236.4–300.9校准估算 ±12%	Q4_K_M	2.5 / 12.0 GB	全部载入显卡	最长 64k	思考模式
LFM2.5 2.6B	运行流畅	估算 195.5 tok/s136.9–254.2理论估算 ±30%	Q4_K_M	3.0 / 12.0 GB	全部载入显卡	最长 128k	思考模式
HyperCLOVA X SEED 1.5B	运行流畅	估算 194.3 tok/s171.0–217.7校准估算 ±12%	Q4_K_M	3.0 / 12.0 GB	全部载入显卡	最长 16k	—
MiniCPM5 2B	运行流畅	估算 184.5 tok/s162.3–206.6校准估算 ±12%	Q4_K_M	2.9 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Gemma 4 E2B	运行流畅	估算 174.1 tok/s121.9–226.3理论估算 ±30%	Q4_K_M	2.7 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Mellum2.1 12B-A2.5B Thinking	运行流畅	估算 161.0 tok/s128.8–193.2校准估算 ±20%	Q4_K_M	9.2 / 12.0 GB	全部载入显卡	最长 64k	思考模式
Spark-X2.5 4B	运行流畅	估算 121.6 tok/s107.0–136.2校准估算 ±12%	Q4_K_M	4.1 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Llama 3.2 3B	运行流畅	估算 119.2 tok/s104.9–133.5校准估算 ±12%	Q4_K_M	4.1 / 12.0 GB	全部载入显卡	最长 64k	—
Qwen3.5 4B	运行流畅	估算 113.9 tok/s100.2–127.5校准估算 ±12%	Q4_K_M	4.2 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Gemma 4 E4B	运行流畅	估算 96.6 tok/s67.7–125.6理论估算 ±30%	Q4_K_M	4.3 / 12.0 GB	全部载入显卡	最长 128k	思考模式
DeepSeek R1 Distill Llama 8B	运行流畅	估算 58.9 tok/s51.8–65.9校准估算 ±12%	Q4_K_M	6.9 / 12.0 GB	全部载入显卡	最长 32k	思考模式
Kanana 1.5 8B	运行流畅	估算 58.9 tok/s51.8–65.9校准估算 ±12%	Q4_K_M	6.9 / 12.0 GB	全部载入显卡	最长 32k	—
Llama 3.1 8B	运行流畅Llama 3.1 8B 在 GeForce RTX 4070 上的判定	估算 58.9 tok/s51.8–65.9校准估算 ±12%	Q4_K_M	6.9 / 12.0 GB	全部载入显卡	最长 32k	—
Nanbeige4.2 3B	运行流畅	估算 57.6 tok/s40.3–74.9理论估算 ±30%	Q4_K_M	5.0 / 12.0 GB	全部载入显卡	最长 32k	思考模式
Qwen3.5 9B	运行流畅	估算 57.5 tok/s50.6–64.4校准估算 ±12%	Q4_K_M	6.6 / 12.0 GB	全部载入显卡	最长 128k	思考模式
DeepSeek R1 0528 Qwen3 8B	运行流畅	估算 56.6 tok/s49.8–63.3校准估算 ±12%	Q4_K_M	7.1 / 12.0 GB	全部载入显卡	最长 32k	思考模式
Qwen3 8B	运行流畅	估算 56.6 tok/s49.8–63.3校准估算 ±12%	Q4_K_M	7.1 / 12.0 GB	全部载入显卡	最长 32k	思考模式
K2-Horizon 7B	运行流畅	估算 51.9 tok/s45.7–58.1校准估算 ±12%	Q4_K_M	7.4 / 12.0 GB	全部载入显卡	最长 32k	思考模式
Gemma 4 12B	运行流畅	估算 48.6 tok/s42.8–54.5校准估算 ±12%	Q4_K_M	8.4 / 12.0 GB	全部载入显卡	最长 128k	思考模式
Gemma 3 12B	运行流畅Gemma 3 12B 在 GeForce RTX 4070 上的判定	估算 45.0 tok/s39.6–50.4校准估算 ±12%	Q4_K_M	9.0 / 12.0 GB	全部载入显卡	最长 32k	—
HyperCLOVA X SEED Think 14B	运行流畅	估算 34.6 tok/s24.2–45.0理论估算 ±30%	Q4_K_M	11.0 / 12.0 GB	全部载入显卡	最长 8k	思考模式
Qwen3 14B	运行流畅Qwen3 14B 在 GeForce RTX 4070 上的判定	估算 34.1 tok/s30.0–38.2校准估算 ±12%	Q4_K_M	11.1 / 12.0 GB	全部载入显卡	最长 8k	思考模式
DeepSeek R1 Distill Qwen 14B	运行流畅	估算 33.3 tok/s29.3–37.3校准估算 ±12%	Q4_K_M	11.3 / 12.0 GB	全部载入显卡	最长 8k	思考模式
Phi-4	运行流畅	估算 32.9 tok/s28.9–36.8校准估算 ±12%	Q4_K_M	11.6 / 12.0 GB	全部载入显卡	最长 8k	—
Kanana 1.5 15.7B-A3B	运行良好	估算 80.6 tok/s56.4–104.8理论估算 ±30%	Q4_K_M	11.6 / 12.0 GB + 1.1 GB 内存	MoE 专家放在内存	最长 32k	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改用 IQ4_XS：运行流畅
gpt-oss-20b	运行良好gpt-oss-20b 在 GeForce RTX 4070 上的判定	估算 78.5 tok/s55.0–102.1理论估算 ±30%	MXFP4	11.2 / 12.0 GB + 2.3 GB 内存	MoE 专家放在内存	最长 128k	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思考模式
MiniCPM-V 4.7 35B-A3B	运行良好	估算 66.3 tok/s46.4–86.2理论估算 ±30%	Q4_K_M	11.5 / 12.0 GB + 11.0 GB 内存	MoE 专家放在内存	最长 128k	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思考模式
Qwen3.6 35B-A3B	运行良好	估算 62.5 tok/s43.7–81.2理论估算 ±30%	Q4_K_M	11.2 / 12.0 GB + 12.4 GB 内存	MoE 专家放在内存	最长 128k	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思考模式
Qwen3.5 35B-A3B	运行良好	估算 57.1 tok/s40.0–74.3理论估算 ±30%	Q4_K_M	11.2 / 12.0 GB + 12.8 GB 内存	MoE 专家放在内存	最长 128k	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思考模式
Gemma 4 26B-A4B	运行良好	估算 47.8 tok/s33.5–62.1理论估算 ±30%	Q4_K_M	11.1 / 12.0 GB + 7.2 GB 内存	MoE 专家放在内存	最长 128k	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 UD-Q2_K_XL（质量损失大）：运行流畅思考模式
Qwen3 30B-A3B (2507)	运行良好Qwen3 30B-A3B (2507) 在 GeForce RTX 4070 上的判定	估算 46.8 tok/s32.8–60.9理论估算 ±30%	Q4_K_M	11.6 / 12.0 GB + 9.0 GB 内存	MoE 专家放在内存	最长 64k	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
Nemotron 3.5 Lightning 30B-A3B	运行良好	估算 44.4 tok/s31.1–57.7理论估算 ±30%	Q4_K_M	10.8 / 12.0 GB + 15.9 GB 内存	MoE 专家放在内存	最长 256k	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思考模式
K2-Horizon MoVA 36B-A4B	运行较慢	估算 26.9 tok/s18.8–35.0理论估算 ±30%	Q4_K_M	11.6 / 12.0 GB + 13.5 GB 内存	MoE 专家放在内存	最长 16k	专家在系统内存中运行：这种方式需要达到 30 tok/s 及以上才算“运行良好” 思考模式
Mistral Small 3.2 24B	运行较慢	估算 6.8 tok/s5.4–8.1校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 4.8 GB 内存	部分卸载	最长 32k	Q2_K（质量损失大）：运行流畅
Gemma 3 27B	运行较慢	估算 5.6 tok/s4.5–6.7校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 6.4 GB 内存	部分卸载	最长 64k	Q2_K（质量损失大）：运行良好
Muse Glimmer 30B	运行较慢	估算 5.6 tok/s4.5–6.7校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 6.6 GB 内存	部分卸载	最长 128k	Q2_K（质量损失大）：运行流畅思考模式
Qwen3.6 27B	运行较慢	估算 5.5 tok/s4.4–6.6校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 6.5 GB 内存	部分卸载	最长 64k	思考模式
Qwen3.5 27B	运行较慢	估算 5.3 tok/s4.3–6.4校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 6.8 GB 内存	部分卸载	最长 64k	思考模式
Qwen3.8 27B	运行较慢	估算 5.1 tok/s4.1–6.2校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 7.2 GB 内存	部分卸载	最长 32k	Q2_K（质量损失大）：运行流畅思考模式
Gemma 4 31B	运行较慢	估算 4.6 tok/s3.7–5.5校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 8.2 GB 内存	部分卸载	最长 32k	思考模式
EXAONE 4.0 32B	运行较慢	估算 4.2 tok/s3.4–5.0校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 9.1 GB 内存	部分卸载	最长 32k	思考模式
EXAONE 4.5 33B	运行较慢	估算 3.9 tok/s3.2–4.7校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 9.8 GB 内存	部分卸载	最长 32k	思考模式
Granite 4.2 30B	运行较慢	估算 3.9 tok/s3.2–4.7校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 9.0 GB 内存	部分卸载	最长 8k	思考模式
Qwen3 32B	运行较慢	估算 3.3 tok/s2.7–4.0校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 11.1 GB 内存	部分卸载	最长 8k	思考模式
DeepSeek R1 Distill Qwen 32B	运行较慢	估算 3.3 tok/s2.6–4.0校准估算 ±20%	Q4_K_M	12.0 / 12.0 GB + 11.2 GB 内存	部分卸载	最长 8k	思考模式
Kolibri 1	无法运行改用 Q2_K（质量损失大）：运行良好	估算 62.2 tok/s43.5–80.9理论估算 ±30%	Q2_K	11.2 / 12.0 GB + 20.1 GB 内存	MoE 专家放在内存	最长 256k	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配 64 GB 内存时：运行良好思考模式
Llama 3.3 70B	无法运行改用 Q2_K（质量损失大）：运行较慢	估算 2.1 tok/s1.7–2.5校准估算 ±20%	Q2_K	12.0 / 12.0 GB + 18.2 GB 内存	部分卸载	最长 8k	—
DeepSeek V4 Flash 0731	无法运行	—	MXFP4	需要 155.1 GB	—	—	约需 155.1 GB；可用显存 11.4 GB，可用内存 28.0 GB 思考模式
GLM-5.3 Flash	无法运行	—	Q4_K_M	需要 181.4 GB	—	—	约需 181.4 GB；可用显存 11.4 GB，可用内存 28.0 GB 思考模式
gpt-oss-120b	无法运行gpt-oss-120b 在 GeForce RTX 4070 上的判定	—	MXFP4	需要 63.6 GB	—	—	约需 63.6 GB；可用显存 11.4 GB，可用内存 28.0 GB 配 64 GB 内存时：运行较慢思考模式
Laguna S 2.1	无法运行	—	Q4_K_M	需要 68.5 GB	—	—	约需 68.5 GB；可用显存 11.4 GB，可用内存 28.0 GB 配 64 GB 内存时：运行较慢思考模式
Ling-3.0 Flash	无法运行	—	Q4_K_M	需要 75.4 GB	—	—	约需 75.4 GB；可用显存 11.4 GB，可用内存 28.0 GB 配 96 GB 内存时：运行良好思考模式
Qwen3.5 122B-A10B	无法运行	—	Q4_K_M	需要 76.6 GB	—	—	约需 76.6 GB；可用显存 11.4 GB，可用内存 28.0 GB 配 96 GB 内存时：运行较慢思考模式
Solar Open 100B	无法运行	—	Q4_K_M	需要 64.0 GB	—	—	约需 64.0 GB；可用显存 11.4 GB，可用内存 28.0 GB 配 64 GB 内存时：运行较慢思考模式
Solar Open 2 250B	无法运行	—	IQ4_XS	需要 136.5 GB	—	—	约需 136.5 GB；可用显存 11.4 GB，可用内存 28.0 GB 思考模式

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。

GeForce RTX 4070 的实测结果

我们用于校准的公开基准测试。它们的测试条件（上下文、后端、运行参数）可能与上方的估算不同。

GeForce RTX 4070 的实测结果
模型	量化	后端	上下文	提示词处理（tok/s）	生成（tok/s）	运行参数	来源	测量日期
Qwen3 8B	Q4_K_XL	llama.cpp	4k	3,564.0	71.2	CUDA	hardware-corner.net	2025-12-09

常见问题

能完全在 GeForce RTX 4070 上运行的最大模型是什么？

Kanana 1.5 15.7B-A3B IQ4_XS（8.71 GB 文件）在 8k 上下文下可完整装入 12 GB，估算 104.9 tok/s（83.9–125.8，校准估算 ±20%）。

GeForce RTX 4070 上有多少本地大模型能运行良好？

按 Q4_K_M、8k 上下文计算，在 58 个已收录的模型中，27 个运行流畅、8 个运行良好、13 个运行较慢，10 个无法运行。

GeForce RTX 4070 能运行 Llama 3.3 70B 这样的 70B 模型吗？

运行较慢——部分卸载，Q2_K（质量损失大）：估算 2.1 tok/s（1.7–2.5，校准估算 ±20%）。

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。