DeskGPU
Deutsch

Kann NVIDIA GeForce RTX 5090 Muse-Glimmer-30B 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 Muse-Glimmer-30B bei Q6_K und einem Kontext von 8.192 Tokens auf NVIDIA GeForce RTX 5090. Eine Karte benötigt dafür 23,7 GiB verfügbaren Speicher, damit das Ergebnis „passt“ lautet.

Bei Q6_K beträgt die längste Kontextlänge, die passt, 131.072 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): 29,25 GiB pro Karte = 32 GiB nominal − 659 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 32.109 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 32 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 5090.
Quantisierung4.0968.19232.768131.072
BF16 53,6 GiB Passt nicht53,8 GiB Passt nicht54,2 GiB Passt nicht55,7 GiB Passt nicht
Q8_0 29,3 GiB Grenzwertig29,5 GiB Grenzwertig29,9 GiB Grenzwertig31,4 GiB Grenzwertig
Q6_K 23,5 GiB Passt23,7 GiB Passt24,1 GiB Passt25,6 GiB Passt
Q5_K_M 20,4 GiB Passt20,7 GiB Passt21,0 GiB Passt22,5 GiB Passt
Q4_K_M 17,8 GiB Passt18,1 GiB Passt18,5 GiB Passt19,9 GiB Passt
Q4_0 16,8 GiB Passt17,1 GiB Passt17,4 GiB Passt18,9 GiB Passt
IQ4_XS 16,1 GiB Passt16,3 GiB Passt16,7 GiB Passt18,2 GiB Passt
Q3_K_M 14,7 GiB Passt15,0 GiB Passt15,4 GiB Passt16,8 GiB Passt
IQ3_XXS 12,4 GiB Passt12,6 GiB Passt13,0 GiB Passt14,5 GiB Passt
Q2_K 12,0 GiB Passt12,2 GiB Passt12,6 GiB Passt14,1 GiB Passt
IQ2_M 11,5 GiB Passt11,7 GiB Passt12,1 GiB Passt13,6 GiB Passt
IQ2_XXS 9,9 GiB Passt10,2 GiB Passt10,6 GiB Passt12,0 GiB Passt

Wie schnell kann es generieren?

Bei Q6_K liegt die theoretische Obergrenze bei etwa 79,7 Tokens pro Sekunde (1.792 GB/s ÷ 22,49 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 32 GB, auf denen Muse-Glimmer-30B passt

Keine andere GPU mit gleicher Speichergröße passt für dieses Modell.

Quellen