DeskGPU
Deutsch

Kann NVIDIA GeForce RTX 3090 gemma-4-12B-it ausführen?

Diese Seite wurde automatisch von einer KI geschrieben und übersetzt und von Software anhand ihrer Quellen geprüft, ohne menschliche Bearbeitung. Die Spezifikationen stammen aus den angegebenen Quellen; Speicherbedarf und Geschwindigkeiten sind Schätzungen, die mit veröffentlichten Formeln berechnet wurden. Wie wir KI nutzen

Passt Nach der Standard-Ladeprüfung von llama.cpp passt gemma-4-12B-it bei Q8_0 und einem Kontext von 8.192 Tokens auf NVIDIA GeForce RTX 3090. Eine Karte benötigt dafür 15,6 GiB verfügbaren Speicher, damit das Ergebnis „passt“ lautet.

Bei Q8_0 beträgt die längste Kontextlänge, die passt, 262.144 Tokens.

„Passt“ bedeutet: Die standardmäßige --fit-Ladeprüfung von llama.cpp würde alle Layer auf der GPU platzieren. Unsere Schätzung der Puffer von llama.cpp, plus deren Fehlermarge, plus die Reserve von 1 GiB pro Karte bei llama.cpp liegt innerhalb des als verfügbar gezählten Speichers. Es ist keine Zusage, dass der Spitzenspeicherbedarf während der Generierung passt. Wie Ergebnisse bestimmt werden

Werte aktualisiert am 19. Okt. 2026 · Rechner

Laufzeitprofil: llama.cpp, CUDA-Backend (dedizierte NVIDIA-GPU), alle Layer auf der GPU, Flash Attention an, Micro-Batch (-ub) 512, F16-KV-cache, Kontextlänge (-c) wie angezeigt; „Passt“ wird mit den 4 parallelen Sequenzen beurteilt, die llama-server standardmäßig nutzt (-np auto, einheitlicher KV-Cache), „Passt nicht“ mit 1 Sequenz; unbelastete GPU, ohne andere Programme, die ihren Speicher nutzen.

Als verfügbar für „Passt“ gezählter Speicher (C_low): 21,44 GiB pro Karte = 24 GiB nominal − 453 MiB (nominal abzüglich der Gesamtmenge, die llama.cpp in öffentlichen Logs für diese GPU gemeldet hat) − 2.112 MiB (die größte Start- und Laufzeitbelegung in den öffentlichen Logs dieses Profils), abgerundet auf ein Vielfaches von 64 MiB.

Diese Ergebnisse gelten für die Konfiguration aus öffentlichen Logs, in der llama.cpp für diese GPU 24.123 MiB Gesamtspeicher gemeldet hat. Einstellungen, die den nutzbaren Speicher verringern (zum Beispiel ECC, sofern die Karte es unterstützt), sind nicht berücksichtigt.

Speicher für „Passt nicht“ (C_high): der volle Speicher von 24 GiB pro Karte. Laufzeitprofile und ihre Messungen

Benötigter Speicher nach Quantisierung und Kontextlänge

Verfügbarer Speicher, der für „Passt“ nötig ist (X, GiB pro Karte), und das Ergebnis auf NVIDIA GeForce RTX 3090.
Quantisierung4.0968.19232.768131.072
BF16 26,3 GiB Grenzwertig26,5 GiB Grenzwertig27,0 GiB Grenzwertig28,7 GiB Grenzwertig
Q8_0 15,3 GiB Passt15,6 GiB Passt16,0 GiB Passt17,8 GiB Passt
Q6_K 12,5 GiB Passt12,7 GiB Passt13,2 GiB Passt15,0 GiB Passt
Q5_K_M 11,2 GiB Passt11,4 GiB Passt11,8 GiB Passt13,6 GiB Passt
Q4_K_M 9,9 GiB Passt10,1 GiB Passt10,6 GiB Passt12,4 GiB Passt
Q4_0 9,5 GiB Passt9,8 GiB Passt10,2 GiB Passt12,0 GiB Passt
IQ4_XS 9,2 GiB Passt9,4 GiB Passt9,8 GiB Passt11,6 GiB Passt
Q3_K_M 8,5 GiB Passt8,7 GiB Passt9,2 GiB Passt11,0 GiB Passt

Wie schnell kann es generieren?

Bei Q8_0 liegt die theoretische Obergrenze bei etwa 71,3 Tokens pro Sekunde (936 GB/s ÷ 13,12 GB Lesevolumen pro Token).

Die Geschwindigkeitsobergrenze ergibt sich aus der Speicherbandbreite geteilt durch die pro erzeugtem Token gelesenen Bytes. Sie ist eine theoretische Obergrenze; öffentliche llama.cpp-Benchmarks erreichen typischerweise etwa die Hälfte bis vier Fünftel davon, kleine Modelle und Mixture-of-Experts-Modelle oft weniger. Öffentliche Benchmarks

Alternativen

Andere GPUs mit 24 GB, auf denen gemma-4-12B-it passt

Größtes Modell derselben Familie, das auf NVIDIA GeForce RTX 3090 passt

Dieselbe Familie: derselbe Herausgeber und derselbe Modellname bis zur Parameterzahl.

Quellen