RTX 4060 Ti 8G 能跑哪些大模型？
在 8GB、4K 上下文下，索引中 110 个模型有 44 个可从容运行，各自取仍留有余量的最高质量档位。
RTX 4060 Ti 8G 的简短答案
8 GB，288 GB/s GDDR6。索引中 110 个模型里有 44 个能在 4K 上下文下从容运行，51 个至少能加载。
- 能装下的最大模型
- Stable LM 2 12B Chat — AWQ INT4 下约 7.0 GB —— 4K 时仅剩 1.0 GB，上下文再拉长就要动用这点余量。
- 留有余量的选择
- Qwen3 4B Instruct — Q6_K 下约 4.0 GB —— 占用不到显存的 60%，留下 4.0 GB 给长上下文或第二个进程。
- 速度上限
- Llama 3.1 8B Instruct 在 Q4_K_M 下每个 token 要读取 4.6 GB 权重，因此 288 GB/s 给出的硬上限约为 62 tok/s。这是两个公开数字的算术结果，不是跑分 —— 实际吞吐会低于它。 本站没有在这张卡上的实测记录，因此无法与这个上限对照。
- 你会先撞到的墙
- 瓶颈是带宽，不是容量。本页的模型都装得下，但在 288 GB/s 下，每生成一个 token 这张卡都要把整套权重读一遍 —— 同样是 8 GB 的 RTX 3070 Ti 带宽为 608 GB/s，搬运这些字节要快 2.1 倍。同一量化档位在这张卡上生成速度会成比例地更慢。
14B · 5
| 模型 | 量化档位 | 预估显存 | 余量 | tok/s |
|---|---|---|---|---|
| Stable LM 2 12B Chat12B | AWQ INT4 | 7.01 GB | +1 GB | ≤50天花板 |
| Solar 10.7B Instruct11B | AWQ INT4 | 6.42 GB | +1.6 GB | ≤57天花板 |
| Falcon 3 10B Instruct10B | GPTQ INT4 | 6.12 GB | +1.9 GB | ≤58天花板 |
| Gemma 2 9B Instruct9B | AWQ INT4 | 6.27 GB | +1.7 GB | ≤66天花板 |
| Qwen3.5 9B9B | Q4_K_M | 6.58 GB | +1.4 GB | 39–52推算 |
7B · 25
| 模型 | 量化档位 | 预估显存 | 余量 | tok/s |
|---|---|---|---|---|
| GLM-4-9B-Chat9B | Q4_K_M | 5.87 GB | +2.1 GB | 44–59推算 |
| Qwen3-VL 8B Instruct8B | Q4_K_M | 6.19 GB | +1.8 GB | 45–60推算 |
| Granite 4.2 8B8B | Q4_K_M | 6.28 GB | +1.7 GB | 45–60推算 |
| Ministral 3 8B Instruct8B | Q5_K_M | 6.92 GB | +1.1 GB | 40–53推算 |
| Qwen2-VL 7B Instruct7B | Q4_K_M | 5.49 GB | +2.5 GB | 48–64推算 |
| Granite 3.1 8B Instruct8B | Q4_K_M | 5.88 GB | +2.1 GB | 49–64推算 |
| Qwen3 8B Instruct8B | EXL2 4.65bpw | 5.59 GB | +2.4 GB | ≤64天花板 |
| Llama 3.1 8B Instruct8B | EXL2 4.65bpw | 5.43 GB | +2.6 GB | ≤65天花板 |
| Nous Hermes 3 Llama 3.1 8B8B | EXL2 4.65bpw | 5.43 GB | +2.6 GB | ≤65天花板 |
| Aya 23 8B8B | Q4_K_M | 5.64 GB | +2.4 GB | 50–66推算 |
| OpenChat 3.6 8B8B | EXL2 4.65bpw | 5.43 GB | +2.6 GB | ≤65天花板 |
| DeepSeek-R1-Distill-Llama-8B8B | Q5_K_M | 6.51 GB | +1.5 GB | 42–56推算 |
| InternLM2 7B Chat7B | Q4_K_M | 5.45 GB | +2.6 GB | 52–68推算 |
| Qwen2.5 7B Instruct7B | Q6_K | 6.77 GB | +1.2 GB | 39–51推算 |
| Qwen2.5-Coder 7B Instruct7B | EXL2 4.65bpw | 4.87 GB | +3.1 GB | ≤68天花板 |
| DeepSeek-R1-Distill-Qwen-7B7B | EXL2 4.65bpw | 4.87 GB | +3.1 GB | ≤68天花板 |
| Gemma 4 E4B ITE4B | Q4_K_M | 4.88 GB | +3.1 GB | 53–70推算 |
| OLMo 2 7B Instruct7B | Q4_K_M | 6.82 GB | +1.2 GB | 55–72推算 |
| OLMo 3 7B Instruct7B | Q4_K_M | 6.82 GB | +1.2 GB | 55–72推算 |
| WizardLM-2 7B7B | Q4_K_M | 5.14 GB | +2.9 GB | 55–73推算 |
| Mistral 7B Instruct v0.37B | Q6_K | 6.75 GB | +1.3 GB | 41–54推算 |
| Zephyr 7B Beta7B | Q6_K | 6.75 GB | +1.3 GB | 41–54推算 |
| Gemma 4 E2B ITE2B | Q8_0 | 5.2 GB | +2.8 GB | ≤61天花板 |
| Qwen3.5 4B4B | Q8_0 | 4.97 GB | +3 GB | ≤66天花板 |
| Gemma 3 4B IT4B | Q8_0 | 5.05 GB | +3 GB | ≤66天花板 |
≤3B · 14
| 模型 | 量化档位 | 预估显存 | 余量 | tok/s |
|---|---|---|---|---|
| Qwen3 4B Instruct4B | Q6_K | 4.05 GB | +4 GB | ≤92天花板 |
| Phi-4 Mini Instruct3.8B | Q8_0 | 4.81 GB | +3.2 GB | ≤74天花板 |
| Phi-3.5 Mini Instruct3.8B | Q8_0 | 5.89 GB | +2.1 GB | ≤75天花板 |
| Granite 4.2 3B3B | Q8_0 | 4.41 GB | +3.6 GB | ≤78天花板 |
| Llama 3.2 3B Instruct3B | Q8_0 | 4.05 GB | +4 GB | ≤89天花板 |
| Qwen2.5 3B Instruct3B | Q8_0 | 3.59 GB | +4.4 GB | ≤92天花板 |
| SmolLM3 3B3B | Q8_0 | 3.73 GB | +4.3 GB | ≤93天花板 |
| Gemma 2 2B Instruct2B | Q8_0 | 3.34 GB | +4.7 GB | ≤110天花板 |
| Qwen3.5 2B2B | Q8_0 | 2.23 GB | +5.8 GB | ≤145天花板 |
| Qwen3 1.7B Instruct1.7B | Q8_0 | 2.39 GB | +5.6 GB | ≤166天花板 |
| Qwen2.5 1.5B Instruct1.5B | Q8_0 | 1.83 GB | +6.2 GB | ≤186天花板 |
| Llama 3.2 1B Instruct1B | Q8_0 | 1.51 GB | +6.5 GB | ≤230天花板 |
| Qwen3.5 0.8B0.8B | Q8_0 | 0.94 GB | +7.1 GB | ≤356天花板 |
| Qwen2.5 0.5B Instruct0.5B | Q8_0 | 0.6 GB | +7.4 GB | ≤588天花板 |
这个列表是怎么算出来的
每一行取该模型中困惑度损失最低、且预估总量（权重 + 4K 上下文下的 KV 缓存 + 激活缓冲）不超过显存 88% 的量化档位。88% 是计算器的"绿色"阈值，因此这里每一行都留有真实余量，而不是刚好装下。提高上下文长度，列表会变短；计算器可直接验证任意组合。速度一列是这张卡自己的：实测、按这张卡的 Llama 2 7B 跑分缩放出来的范围，或带宽天花板。只有 RTX 4090 上才有的数字会标明是那张卡。
另有 7 个模型能加载但不留余量（占用至多为显存的 105%）—— 模型库的显卡快捷筛选把它们也计入，因此那里的数字更大。
在这张卡上的实测数据
本索引中没有在 RTX 4060 Ti 8G 上跑出的基准记录。本页所有数字都是根据模型架构与量化档位计算得出的估算，不是实测值。
显存预算相同的显卡
能装下什么由显存决定，所以同类型的每张 8GB 显卡返回的列表都一样。这几个页面给出的不是不同答案 —— 它们的差别在吞吐，而本索引并未逐卡实测吞吐。
能装的模型一样，速度不一样——让同一句话在两张卡上并排流出来： RTX 4060 Ti 8G 对比 RTX 5060 Ti 8G（Qwen3.5 9B）
这张卡的部署指南
针对 RTX 4060 Ti 8G 的运行时或显存容量编写的分步指南，包括具体命令，以及确认模型确实跑在这张卡上的检查方法。
再往上一档
RTX 3080 10G（10GB）比这张卡多装下 12 个索引内的模型。 RTX 3080 10G →
买之前，先用两张卡都装得下的模型听听速度差多少： RTX 4060 Ti 8G 对比 RTX 3080 10G（Qwen3.5 9B） →
常见问题
RTX 4060 Ti 8G 上最适合本地运行的大模型是哪个？
日常使用推荐 Qwen3 4B Instruct（Q6_K）—— 在 4K 上下文下约占这张卡 8 GB 中的 4.0 GB，还剩 4.0 GB 给更长的窗口。如果你要的是能加载的最大模型，那是 Stable LM 2 12B Chat（AWQ INT4，约 7.0 GB，余量 1.0 GB）。这里的「最适合」指的是最契合显存预算 —— 本索引不跑任务基准，无法告诉你哪个模型更聪明。
RTX 4060 Ti 8G 能跑 Mellum2.1 12B-A2.5B Thinking 吗？
不能。它在本索引中最小的构建 Q4_K_M 约需 8.6 GB，而这张卡可用约 8.0 GB —— 在 4K 之外的上下文还没算上之前就已经差了 0.6 GB。这张卡能从容运行的最大模型是 Stable LM 2 12B Chat。
RTX 4060 Ti 8G 跑 8B 模型的 Q4 量化大概有多少 tok/s？
本索引没有这张卡的实测记录，因此不公布具体数字。可以从规格推出的是：生成一个 token 需要把每个权重都读一遍，Llama 3.1 8B Instruct 在 Q4_K_M 下权重为 4.6 GB，而这张卡的带宽是 288 GB/s —— 上限约 62 tok/s。批大小、上下文长度、运行时以及缓存命中情况都会把实际值压到这个数以下。
本地跑大模型，RTX 4060 Ti 8G 还是 RTX 3070 Ti？
两张卡装得下的模型相同：8 GB 与 8 GB 在 4K 下分别可从容运行 110 个中的 44 个与 44 个。差别在吞吐 —— 288 GB/s 对 608 GB/s，读取权重的速度相差 2.1 倍，而 token 生成正是受此限制。两张卡都装得下的模型，RTX 3070 Ti 生成更快。
在 8GB、4K 上下文下，索引中 110 个模型有 44 个可从容运行，各自取仍留有余量的最高质量档位。
本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-10-18 RSS → /zh/feed.xml