A NVIDIA GeForce RTX 5060 consegue executar gemma-3-4b-it?

Esta página foi escrita e traduzida automaticamente por IA e verificada por software em relação às suas fontes, sem edição humana. As especificações vêm das fontes listadas; os requisitos de memória e as velocidades são estimativas calculadas com fórmulas publicadas. Como usamos IA

Cabe Pela verificação de carregamento padrão do llama.cpp, gemma-3-4b-it cabe na NVIDIA GeForce RTX 5060 em Q6_K com um contexto de 8.192 tokens. Uma placa precisa de 5,4 GiB disponíveis para “Cabe”.

Em Q6_K, o maior contexto que cabe é de 11.008 tokens.

“Cabe” significa que a verificação de carregamento padrão --fit do llama.cpp colocaria todas as camadas na GPU: nossa estimativa dos buffers do llama.cpp, mais a margem de erro, mais a reserva de 1 GiB por placa do llama.cpp, está dentro da memória contada como disponível. Isso não garante que a memória de pico durante a geração caiba. Como os resultados são definidos

Valores atualizados em 19 de out. de 2026 · Calculadora

Perfil de execução: llama.cpp, back end CUDA (GPU dedicada NVIDIA), todas as camadas na GPU, Flash Attention ativada, micro-batch (-ub) 512, KV cache em F16, contexto (-c) conforme indicado; “Cabe” é avaliado com as 4 sequências paralelas padrão do llama-server (-np auto, KV cache unificado) e “Não cabe” com 1 sequência; GPU ociosa, sem outros programas usando sua memória.

Memória considerada disponível para “Cabe” (C_low): 5,44 GiB por placa = 8 GiB nominais − 484 MiB (nominal menos o total que o llama.cpp informou para esta GPU em logs públicos) − 2.112 MiB (o maior uso de inicialização e de execução visto nos logs públicos deste perfil), arredondado para baixo para um múltiplo de 64 MiB.

Estes resultados se aplicam à configuração observada em logs públicos, nos quais o llama.cpp informou 7.708 MiB de memória total para esta GPU. Configurações que reduzem a memória utilizável (por exemplo, ECC, quando a placa oferece suporte) não estão incluídas.

Memória usada para “Não cabe” (C_high): os 8 GiB completos por placa. Perfis de execução e suas medições

Memória necessária por quantização e contexto

Memória disponível necessária para “Cabe” (X, GiB por placa) e o resultado na NVIDIA GeForce RTX 5060.
Quantização	4.096	8.192	32.768	131.072
BF16	9,7 GiB No limite	9,9 GiB No limite	10,4 GiB No limite	12,6 GiB Não cabe
Q8_0	6,1 GiB No limite	6,3 GiB No limite	6,8 GiB No limite	9,0 GiB No limite
Q6_K	5,2 GiB Cabe	5,4 GiB Cabe	5,9 GiB No limite	8,1 GiB No limite
Q5_K_M	4,9 GiB Cabe	5,0 GiB Cabe	5,6 GiB No limite	7,7 GiB No limite
Q4_K_M	4,5 GiB Cabe	4,7 GiB Cabe	5,2 GiB Cabe	7,4 GiB No limite
Q4_0	4,4 GiB Cabe	4,6 GiB Cabe	5,1 GiB Cabe	7,3 GiB No limite
IQ4_XS	4,3 GiB Cabe	4,5 GiB Cabe	5,0 GiB Cabe	7,2 GiB No limite
Q3_K_M	4,2 GiB Cabe	4,3 GiB Cabe	4,8 GiB Cabe	7,0 GiB No limite
Q2_K	3,8 GiB Cabe	3,9 GiB Cabe	4,5 GiB Cabe	6,7 GiB No limite

Qual a velocidade de geração?

Em Q6_K, o limite teórico é de cerca de 129 tokens por segundo (448 GB/s ÷ 3,47 GB lidos por token).

O teto de velocidade é a largura de banda da memória dividida pelos bytes lidos por token gerado. É um limite superior teórico; os benchmarks públicos do llama.cpp normalmente atingem cerca de metade a quatro quintos desse valor, e modelos pequenos e modelos MoE (mistura de especialistas) costumam atingir menos. Benchmarks públicos

Alternativas

Outras GPUs de 8 GB em que gemma-3-4b-it cabe

Fontes

Página do modelo, com todas as quantizações e seus arquivos: gemma-3-4b-it
Página da GPU, com cada especificação e suas fontes: NVIDIA GeForce RTX 5060
Arquivos do modelo no Hugging Face (revisões fixadas): google/gemma-3-4b-it@093f9f3, unsloth/gemma-3-4b-it-GGUF@5a3566e
Tamanho da memória de NVIDIA GeForce RTX 5060 segundo: Wikipedia: List of Nvidia graphics processing units (CC BY-SA 4.0), GetDeploying GPU Models (CC BY 4.0)
Metodologia