GeForce RTX 4080 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: 16 GB
内存带宽: 717.0 GB/s
FP16 算力: 48.7 TFLOPS
发布年份: 2022
价格: 首发价 US$1,199
其他写法: 4080

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29 个模型运行良好8 个模型运行较慢11 个模型无法运行10 个模型另有 3 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 4080 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 563.1 tok/s495.5–630.7校准估算 ±12%	Q4_K_M	1.9 / 16.0 GB	全部载入显卡	最长 128k	思考模式
Llama 3.2 1B	运行流畅	估算 465.4 tok/s409.5–521.2校准估算 ±12%	Q4_K_M	2.2 / 16.0 GB	全部载入显卡	最长 128k	—
EXAONE 4.0 1.2B	运行流畅	估算 382.2 tok/s336.3–428.0校准估算 ±12%	Q4_K_M	2.5 / 16.0 GB	全部载入显卡	最长 64k	思考模式
Ling-3.0 Tiny	运行流畅	估算 330.3 tok/s231.2–429.4理论估算 ±30%	Q4_K_M	5.9 / 16.0 GB	全部载入显卡	最长 128k	思考模式
LFM2.5 2.6B	运行流畅	估算 278.2 tok/s194.7–361.6理论估算 ±30%	Q4_K_M	3.0 / 16.0 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 276.5 tok/s243.3–309.7校准估算 ±12%	Q4_K_M	3.0 / 16.0 GB	全部载入显卡	最长 16k	—
MiniCPM5 2B	运行流畅	估算 262.5 tok/s231.0–294.0校准估算 ±12%	Q4_K_M	2.9 / 16.0 GB	全部载入显卡	最长 128k	思考模式
Gemma 4 E2B	运行流畅	估算 225.3 tok/s157.7–292.9理论估算 ±30%	Q4_K_M	2.7 / 16.0 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 205.0 tok/s164.0–246.0校准估算 ±20%	Q4_K_M	9.2 / 16.0 GB	全部载入显卡	最长 128k	思考模式
Spark-X2.5 4B	运行流畅	估算 173.0 tok/s152.2–193.7校准估算 ±12%	Q4_K_M	4.1 / 16.0 GB	全部载入显卡	最长 256k	思考模式
Llama 3.2 3B	运行流畅	估算 169.6 tok/s149.2–189.9校准估算 ±12%	Q4_K_M	4.1 / 16.0 GB	全部载入显卡	最长 64k	—
Qwen3.5 4B	运行流畅	估算 162.0 tok/s142.5–181.4校准估算 ±12%	Q4_K_M	4.2 / 16.0 GB	全部载入显卡	最长 256k	思考模式
gpt-oss-20b	运行流畅	估算 159.6 tok/s127.7–191.5校准估算 ±20%	MXFP4	12.9 / 16.0 GB	全部载入显卡	最长 64k	思考模式
Gemma 4 E4B	运行流畅	估算 130.3 tok/s91.2–169.4理论估算 ±30%	Q4_K_M	4.3 / 16.0 GB	全部载入显卡	最长 128k	思考模式
Kanana 1.5 15.7B-A3B	运行流畅	估算 129.0 tok/s103.2–154.8校准估算 ±20%	Q4_K_M	12.5 / 16.0 GB	全部载入显卡	最长 32k	—
DeepSeek R1 Distill Llama 8B	运行流畅	估算 83.7 tok/s73.7–93.8校准估算 ±12%	Q4_K_M	6.9 / 16.0 GB	全部载入显卡	最长 64k	思考模式
Kanana 1.5 8B	运行流畅	估算 83.7 tok/s73.7–93.8校准估算 ±12%	Q4_K_M	6.9 / 16.0 GB	全部载入显卡	最长 32k	—
Llama 3.1 8B	运行流畅	估算 83.7 tok/s73.7–93.8校准估算 ±12%	Q4_K_M	6.9 / 16.0 GB	全部载入显卡	最长 64k	—
Nanbeige4.2 3B	运行流畅	估算 81.9 tok/s57.3–106.5理论估算 ±30%	Q4_K_M	5.0 / 16.0 GB	全部载入显卡	最长 64k	思考模式
Qwen3.5 9B	运行流畅	估算 81.8 tok/s72.0–91.6校准估算 ±12%	Q4_K_M	6.6 / 16.0 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 80.5 tok/s70.8–90.1校准估算 ±12%	Q4_K_M	7.1 / 16.0 GB	全部载入显卡	最长 32k	思考模式
Qwen3 8B	运行流畅	估算 80.5 tok/s70.8–90.1校准估算 ±12%	Q4_K_M	7.1 / 16.0 GB	全部载入显卡	最长 32k	思考模式
K2-Horizon 7B	运行流畅	估算 73.8 tok/s65.0–82.7校准估算 ±12%	Q4_K_M	7.4 / 16.0 GB	全部载入显卡	最长 32k	思考模式
Gemma 4 12B	运行流畅	估算 69.2 tok/s60.9–77.5校准估算 ±12%	Q4_K_M	8.4 / 16.0 GB	全部载入显卡	最长 256k	思考模式
Gemma 3 12B	运行流畅	估算 64.0 tok/s56.4–71.7校准估算 ±12%	Q4_K_M	9.0 / 16.0 GB	全部载入显卡	最长 64k	—
HyperCLOVA X SEED Think 14B	运行流畅	估算 49.2 tok/s34.5–64.0理论估算 ±30%	Q4_K_M	11.0 / 16.0 GB	全部载入显卡	最长 32k	思考模式
Qwen3 14B	运行流畅	估算 48.5 tok/s42.7–54.4校准估算 ±12%	Q4_K_M	11.1 / 16.0 GB	全部载入显卡	最长 32k	思考模式
DeepSeek R1 Distill Qwen 14B	运行流畅	估算 47.3 tok/s41.7–53.0校准估算 ±12%	Q4_K_M	11.3 / 16.0 GB	全部载入显卡	最长 16k	思考模式
Phi-4	运行流畅	估算 46.8 tok/s41.2–52.4校准估算 ±12%	Q4_K_M	11.6 / 16.0 GB	全部载入显卡	最长 16k	—
MiniCPM-V 4.7 35B-A3B	运行良好	估算 90.3 tok/s63.2–117.4理论估算 ±30%	Q4_K_M	15.4 / 16.0 GB + 7.1 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思考模式
Qwen3.6 35B-A3B	运行良好	估算 84.6 tok/s59.2–109.9理论估算 ±30%	Q4_K_M	15.1 / 16.0 GB + 8.5 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 Q2_K（质量损失大）：运行流畅思考模式
Gemma 4 26B-A4B	运行良好	估算 78.4 tok/s54.9–101.9理论估算 ±30%	Q4_K_M	15.4 / 16.0 GB + 2.9 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改用 IQ4_XS：运行流畅思考模式
Qwen3.5 35B-A3B	运行良好	估算 77.0 tok/s53.9–100.1理论估算 ±30%	Q4_K_M	15.1 / 16.0 GB + 8.9 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 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	估算 69.3 tok/s48.5–90.2理论估算 ±30%	Q4_K_M	15.6 / 16.0 GB + 4.9 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 Q2_K（质量损失大）：运行流畅
Nemotron 3.5 Lightning 30B-A3B	运行良好	估算 58.9 tok/s41.2–76.5理论估算 ±30%	Q4_K_M	14.8 / 16.0 GB + 11.9 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	运行良好	估算 36.3 tok/s25.4–47.2理论估算 ±30%	Q4_K_M	15.5 / 16.0 GB + 9.6 GB 内存	MoE 专家放在内存	最长 8k	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
Mistral Small 3.2 24B	运行良好	估算 20.0 tok/s16.0–24.0校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 0.8 GB 内存	部分卸载	最长 8k	改用 IQ4_XS：运行流畅
Gemma 3 27B	运行较慢	估算 11.8 tok/s9.4–14.1校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 2.4 GB 内存	部分卸载	最长 64k	载入显卡不足 90%：由显卡和 CPU 分担运行时，最高只能判为“运行较慢” 改用 IQ4_XS：运行良好 Q2_K（质量损失大）：运行流畅
Qwen3.6 27B	运行较慢	估算 11.4 tok/s9.1–13.7校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 2.5 GB 内存	部分卸载	最长 64k	改用 IQ4_XS：运行良好 UD-Q2_K_XL（质量损失大）：运行流畅思考模式
Muse Glimmer 30B	运行较慢	估算 11.4 tok/s9.1–13.7校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 2.6 GB 内存	部分卸载	最长 128k	改用 IQ4_XS：运行流畅思考模式
Qwen3.5 27B	运行较慢	估算 10.6 tok/s8.5–12.7校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 2.8 GB 内存	部分卸载	最长 64k	改用 IQ4_XS：运行良好 UD-Q2_K_XL（质量损失大）：运行流畅思考模式
Qwen3.8 27B	运行较慢	估算 9.8 tok/s7.9–11.8校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 3.2 GB 内存	部分卸载	最长 64k	改用 IQ4_XS：运行良好 Q2_K（质量损失大）：运行流畅思考模式
Gemma 4 31B	运行较慢	估算 8.0 tok/s6.4–9.6校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 4.2 GB 内存	部分卸载	最长 64k	UD-Q2_K_XL（质量损失大）：运行流畅思考模式
EXAONE 4.0 32B	运行较慢	估算 6.9 tok/s5.5–8.3校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 5.1 GB 内存	部分卸载	最长 64k	思考模式
Granite 4.2 30B	运行较慢	估算 6.5 tok/s5.2–7.8校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 5.0 GB 内存	部分卸载	最长 16k	Q2_K（质量损失大）：运行流畅思考模式
EXAONE 4.5 33B	运行较慢	估算 6.2 tok/s5.0–7.4校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 5.8 GB 内存	部分卸载	最长 64k	思考模式
Qwen3 32B	运行较慢	估算 4.9 tok/s3.9–5.9校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 7.1 GB 内存	部分卸载	最长 16k	Q2_K（质量损失大）：运行流畅思考模式
DeepSeek R1 Distill Qwen 32B	运行较慢	估算 4.9 tok/s3.9–5.8校准估算 ±20%	Q4_K_M	16.0 / 16.0 GB + 7.2 GB 内存	部分卸载	最长 16k	Q2_K（质量损失大）：运行流畅思考模式
Kolibri 1	无法运行改用 Q2_K（质量损失大）：运行良好	估算 78.0 tok/s54.6–101.5理论估算 ±30%	Q2_K	15.0 / 16.0 GB + 16.3 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
Solar Open 100B	无法运行改用 Q2_K（质量损失大）：运行较慢	估算 20.9 tok/s14.6–27.2理论估算 ±30%	Q2_K	14.7 / 16.0 GB + 25.8 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” 配 64 GB 内存时：运行较慢思考模式
Llama 3.3 70B	无法运行改用 Q2_K（质量损失大）：运行较慢	估算 2.7 tok/s2.1–3.2校准估算 ±20%	Q2_K	16.0 / 16.0 GB + 14.2 GB 内存	部分卸载	最长 16k	—
DeepSeek V4 Flash 0731	无法运行	—	MXFP4	需要 155.1 GB	—	—	约需 155.1 GB；可用显存 15.4 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 15.4 GB，可用内存 28.0 GB 思考模式
gpt-oss-120b	无法运行	—	MXFP4	需要 63.6 GB	—	—	约需 63.6 GB；可用显存 15.4 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 15.4 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 15.4 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 15.4 GB，可用内存 28.0 GB 配 96 GB 内存时：运行较慢思考模式
Solar Open 2 250B	无法运行	—	IQ4_XS	需要 136.5 GB	—	—	约需 136.5 GB；可用显存 15.4 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 4080 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 4080 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	6,178.0	102.7	CUDA	hardware-corner.net	2025-12-09

常见问题

能完全在 GeForce RTX 4080 上运行的最大模型是什么？

Muse Glimmer 30B IQ4_XS（15.44 GB 文件）在 8k 上下文下可完整装入 16 GB，估算 32.3 tok/s（28.4–36.2，校准估算 ±12%）。

GeForce RTX 4080 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，29 个运行流畅、8 个运行良好、11 个运行较慢，10 个无法运行。

GeForce RTX 4080 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 2.7 tok/s（2.1–3.2，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。