RTX 4090 能跑 DeepSeek-R1-Distill-Llama-8B 吗?
从容运行:GGUF Q5_K_M 在 4K 上下文、批量 1 时需要 6.5 GB,余量 17.5 GB。
文本输入、FP16 KV 缓存、单卡。统一内存采用显卡指南中的可用容量;负余量可能需要主机卸载。速度来源的设置可能与此 4K 估算不同。
实测记录
| 框架 | 量化 | tok/s | 实测显存(GB) |
|---|---|---|---|
| llama.cpp | GGUF Q4_K_M | 145 | 5.6 |
各量化在 4K 下的显存
| 量化 | 总计 GB | 结论 | 权重依据 |
|---|---|---|---|
| GGUF Q4_K_M | 5.6 | 从容运行 | 估算权重 |
| GGUF Q5_K_M | 6.5 | 从容运行 | 估算权重 |
| EXL2 4.65bpw | 5.4 | 从容运行 | 估算权重 |
| AWQ INT4 | 4.8 | 从容运行 | 估算权重 |
上下文容量 · GGUF Q5_K_M
| 上下文 | 总计 GB | 结论 |
|---|---|---|
| 4K | 6.5 | 从容运行 |
| 16K | 8.2 | 从容运行 |
| 32K | 10.4 | 从容运行 |
| 128K | 23.6 | 显存紧张 |
生成速度
实测: 145 tok/s, GGUF Q4_K_M, llama.cpp
GGUF Q5_K_M: 124–164 tok/s · 校准推算区间