DeskGPU
Português (Brasil)

A NVIDIA GeForce RTX 3090 consegue executar NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16?

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, NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 cabe na NVIDIA GeForce RTX 3090 em Q4_0 com um contexto de 8.192 tokens. Uma placa precisa de 19,3 GiB disponíveis para “Cabe”.

Em Q4_0, o maior contexto que cabe é de 262.144 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): 21,44 GiB por placa = 24 GiB nominais − 453 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 24.123 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 24 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 3090.
Quantização4.0968.19232.768131.072
BF16 62,7 GiB Não cabe62,8 GiB Não cabe63,0 GiB Não cabe63,8 GiB Não cabe
Q8_0 34,0 GiB Não cabe34,1 GiB Não cabe34,3 GiB Não cabe35,1 GiB Não cabe
Q6_K 34,0 GiB Não cabe34,0 GiB Não cabe34,2 GiB Não cabe35,0 GiB Não cabe
Q5_K_M 26,9 GiB No limite27,0 GiB No limite27,2 GiB No limite27,9 GiB No limite
Q4_K_M 25,5 GiB No limite25,5 GiB No limite25,7 GiB No limite26,5 GiB No limite
Q4_0 19,2 GiB Cabe19,3 GiB Cabe19,5 GiB Cabe20,3 GiB Cabe
IQ4_XS 19,1 GiB Cabe19,1 GiB Cabe19,3 GiB Cabe20,1 GiB Cabe
Q3_K_M 20,0 GiB Cabe20,0 GiB Cabe20,2 GiB Cabe21,0 GiB Cabe
Q2_K 19,1 GiB Cabe19,1 GiB Cabe19,3 GiB Cabe20,1 GiB Cabe
IQ2_M 19,0 GiB Cabe19,1 GiB Cabe19,3 GiB Cabe20,1 GiB Cabe

Qual a velocidade de geração?

Em Q4_0, o limite teórico é de cerca de 408 tokens por segundo (936 GB/s ÷ 2,29 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 24 GB em que NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 cabe

Fontes