Gemma 3 4B IT
4BGoogle Gemma 3
Google Gemma 3 多模态 4B,128K 上下文,8GB 显卡可跑图文理解。
131K
最大上下文
3
量化变体
GGUF Q8_0
最佳质量
+0.2%
困惑度增幅(最佳档位)
量化变体对比
各量化级别的显存、质量损失及 RTX 4090 推理速度
实测 = 本站跑过 · 估算 = 本站未跑过:推算所得,或本站未核实的数字 · 社区 = 公开报告
| 格式 | 级别 | BPW | 显存 | PPL 损失 | 速度 | 来源 | 操作 |
|---|---|---|---|---|---|---|---|
| GGUF | Q4_K_M | 4.85 | 3.0 GB | 3.2% | 175 tok/s | 估算 | |
| GGUF | Q8_0 | 8.5 | 5.0 GB | 0.2% | 145 tok/s | 估算 | |
| AWQ | INT4 | 4 | 2.5 GB | 4.2% | 210 tok/s | 估算 |
每个体积对应哪个文件
文件大小不等于显存:显存一栏是计算器在 4K 上下文下的总量 —— 权重加 KV 缓存,再加 10% 的激活缓冲。两边的单位是有意不同的:文件大小用十进制 GB,和 Hugging Face 列表一致;显存一栏用 GiB(1024³ 字节),并在权重上多算 2%,所以 7.12 GB 的文件在那一栏里约是 6.8 GiB。仓库若带视觉投影(mmproj),它是另外下载的文件,两个数字都不含它。
- GGUF Q4_K_M按计算器这一档位的通用比特率估算,没有核对具体文件。
- GGUF Q8_0按计算器这一档位的通用比特率估算,没有核对具体文件。
- AWQ INT4按计算器这一档位的通用比特率估算,没有核对具体文件。
相关社区实测
以下报告只代表报告自身的测试条件,其速度不会替代本页估算,也不能证明你的配置能装下。
我们审核过的链接索引尚未收录此模型的报告。你可以浏览社区实测,或在下方分享自己的测试。
在 llamaPerf 浏览更多实测 ↗相似模型
与 Gemma 3 对比Gemma 3 12B IT
Google Gemma 3
中型 Gemma 3 视觉模型,Q4 可装入 16GB,多语言对话表现优秀。
Gemma 3 27B IT
Google Gemma 3
Gemma 3 大杯指令版,长上下文 + 多模态。Q4_K_M 在 4K 下约需 18.3 GB,24 GB 显卡可以从容运行。视觉编码器是另外一个 0.9 GB 的文件。
Gemma 4 E4B IT
Google Gemma 4
Google 面向端侧的 Gemma 4:实际参与计算的约 4.7B 参数,外加一张 2.8B 的逐层嵌入表,128K 上下文,支持图像和音频输入。42 层中只有 4 层的缓存随上下文增长,所以用满 128K 也只要约 2.0 GB 缓存。Q4_K_M 在 4K 上下文约需 5.3 GB,8 GB 显卡宽裕;128K 约需 7.5 GB,8 GB 显卡偏紧。8 GB 的 Mac 只能给 GPU 约 6 GB,所以 4K 下在 8 GB Mac 上就偏紧。这里的体积按整个模型都放进 GPU 内存计算,也就是 Mac 或整模型上 GPU 时的占用;llama.cpp 会把嵌入表留在系统内存,所以在独立显卡上实际显存占用比这里低。体积按 unsloth 发布的文件计算(Q4_K_M 5.0 GB,Q8_0 8.2 GB);其他发布者的 Q4_K_M 文件最多大 0.4 GB。图像和音频编码器是另外一个 1.0 GB 的文件。
Gemma 4 E2B IT
Google Gemma 4
最小的 Gemma 4:实际参与计算的约 2.3B 参数,外加一张 2.3B 的逐层嵌入表,128K 上下文,支持图像和音频输入。它的缓存几乎不增长——35 层中只有 3 层跟踪完整上下文,128K 下约 0.8 GB。Q4 下 4K 上下文约 3.0 GB,用满窗口约 3.8 GB——本索引中任何一张卡、以及 8 GB 的 Mac 都能从容运行。体积按整个模型都放进 GPU 内存计算;llama.cpp 会把嵌入表留在系统内存,所以在独立显卡上,Q4 实际显存占用比这里少约 1.3 GB。体积使用计算器通用比特率——未能核对到 GGUF 文件大小。
在本地运行 Gemma 3 4B IT
在 Q4_K_M、4K 上下文下,Gemma 3 4B IT 约需 3.0 GB —— 权重 2.5 GB、KV 缓存 0.25 GB、激活缓冲 0.3 GB。本索引中能宽裕跑它的最小规格是 4 GB 显卡 —— 共 2 张,RTX 3050 Ti Laptop GPU 起步;105 张卡中有 105 张可以。这些是计算值而非实测值:估算把「宽裕」的界线画在显存的 88%,大致就是桌面环境需要留出的余量。
上下文变长会多花多少
从 4K 提到 32K 约多占 0.54 GB,总量来到 3.6 GB。这比参数量给人的印象要温和:34 层中只有 5 层的 KV 缓存会随上下文增长,另有 29 层被滑动窗口封顶,因此缓存的增速只有常规架构的一小部分。该模型的原生上下文是 128K;在 Q4_K_M 下把它全部撑满约需 6 GB。
该下载哪个版本
本索引收录了它的 2 种格式 —— GGUF、AWQ —— 共 3 个档位。 其中 Q8_0 的公开困惑度损失最低,为 0.2%。列出的最快档位是 AWQ INT4,在 RTX 4090、batch 1 下约 210 tok/s —— 这是估算值,不是本站硬件上的实测。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行;AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM;EXL2 是 ExLlamaV2 —— 仅限 CUDA,而且已经归档,适合本机使用而不适合提供服务。
常见问题
- Gemma 3 4B IT 需要多少显存?
- 在 Q4_K_M、4K 上下文、batch 1 下约 3.0 GB,到 32K 时约 3.6 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲,由模型架构计算得出,不是在显卡上实测的。
- Gemma 3 4B IT 能在 4GB 显卡上跑吗?
- 可以 —— 在 Q4_K_M、4K 上下文下约需 3.0 GB,在 RTX 3050 Ti Laptop GPU 上还剩 1.0 GB,本索引中 2 张 4 GB 显卡都一样。这是能宽裕跑它的最小规格;105 张中有 105 张可以。
- Gemma 3 4B IT 该用哪个量化档位?
- Q8_0 的公开质量损失最低(0.2%),而 Q4_K_M 是多数人使用的档位。索引中的 3 个档位是 Q4_K_M、Q8_0、AWQ INT4。
这个模型能跑在哪
按 Q4_K_M、4K 上下文估算,显存从小到大排列。「从容」指估算占用不超过显存的 88%。
此模型的显卡组合
怎么把它跑起来
针对本模型及同类硬件的部署指南。
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 2026-11-22 RSS → /zh/feed.xml