LLMScaleRTX 4090: hangi LLM'ler sığar?
RTX 4090 24 GB belleğe sahiptir. LLMScale modele bunun 21,76 GiB kadarını ayırır: kartın bildirdiği belleğin vLLM varsayılanı olan %92'si (--gpu-memory-utilization 0.92); kalanı CUDA bağlamına kalır. Bellek bant genişliği 1.008 GB/sn'dir; bir model sığdıktan sonra üretim hızını sınırlayan budur. Aşağıdaki 31 popüler açık modelden 11 tanesi BF16'da, 15 tanesi FP8'de, 20 tanesi INT4'te 8k context ve tek kullanıcıyla sığar.
31 modelden 20 tanesi INT4'te, 11 tanesi BF16'da sığar.
RTX 4090: hangi LLM'ler sığar
| Model | BF16 | FP8 | INT4 | Kullanıcı | Maks context |
|---|---|---|---|---|---|
| Qwen2.5 0.5B Instruct | 1,85 GiB | 1,52 GiB | 1,36 GiB | 213BF16 | 32kBF16 |
| Gemma 3 1B IT | 3,27 GiB | 2,62 GiB | 2,31 GiB | 135BF16 | 32kBF16 |
| Llama 3.2 1B Instruct | 3,63 GiB | 2,72 GiB | 2,29 GiB | 73BF16 | 128kBF16 |
| Llama 3.2 3B Instruct | 8,28 GiB | 5,65 GiB | 4,42 GiB | 16BF16 | 128kBF16 |
| Phi-3 mini 4k | 9,42 GiB | 6,04 GiB | 4,46 GiB | 9BF16 | 4kBF16 |
| Gemma 3 4B IT | 10,57 GiB | 7,19 GiB | 5,61 GiB | 16BF16 | 128kBF16 |
| Mistral 7B Instruct v0.3 | 15,43 GiB | 8,93 GiB | 5,88 GiB | 7BF16 | 32kBF16 |
| Qwen2.5 Coder 7B | 16,37 GiB | 10,30 GiB | 7,45 GiB | 13BF16 | 32kBF16 |
| Qwen2.5 7B Instruct | 16,37 GiB | 10,30 GiB | 7,45 GiB | 13BF16 | 32kBF16 |
| Llama 3.1 8B Instruct | 17,71 GiB | 11,21 GiB | 8,16 GiB | 5BF16 | 40kBF16 |
| Qwen3 8B | 18,37 GiB | 11,90 GiB | 8,87 GiB | 4BF16 | 32kBF16 |
| Gemma 2 9B IT | 22,48 GiB (sığmaz) | 14,73 GiB | 11,09 GiB | 3FP8 | 8kFP8 |
| Gemma 3 12B IT | 26,85 GiB (sığmaz) | 16,44 GiB | 11,55 GiB | 3FP8 | 93kFP8 |
| Mistral Nemo 12B Instruct | 26,23 GiB (sığmaz) | 16,07 GiB | 11,31 GiB | 5FP8 | 44kFP8 |
| Qwen2.5 14B Instruct | 31,48 GiB (sığmaz) | 19,17 GiB | 13,40 GiB | 2FP8 | 22kFP8 |
| gpt-oss 20B | 41,22 GiB (sığmaz) | 22,82 GiB (sığmaz) | 15,96 GiB | 21INT4 | 128kINT4 |
| Gemma 2 27B IT | 56,79 GiB (sığmaz) | 32,55 GiB (sığmaz) | 21,19 GiB | 1INT4 | 8kINT4 |
| Gemma 3 27B IT | 56,53 GiB (sığmaz) | 32,29 GiB (sığmaz) | 20,93 GiB | 1INT4 | 19kINT4 |
| Qwen3 30B A3B | 59,07 GiB (sığmaz) | 31,21 GiB (sığmaz) | 18,15 GiB | 5INT4 | 40kINT4 |
| Qwen3 Coder 30B A3B | 59,07 GiB (sığmaz) | 31,21 GiB (sığmaz) | 18,15 GiB | 5INT4 | 46kINT4 |
| Qwen2.5 32B Instruct | 65,64 GiB (sığmaz) | 36,58 GiB (sığmaz) | 22,96 GiB (sığmaz) | — | — |
| Qwen3 32B | 65,64 GiB (sığmaz) | 36,58 GiB (sığmaz) | 22,96 GiB (sığmaz) | — | — |
| Mixtral 8x7B Instruct | 89,46 GiB (sığmaz) | 46,21 GiB (sığmaz) | 25,94 GiB (sığmaz) | — | — |
| Llama 3.3 70B Instruct | 137,6 GiB (sığmaz) | 73,89 GiB (sığmaz) | 44,01 GiB (sığmaz) | — | — |
| Llama 3.1 70B Instruct | 137,6 GiB (sığmaz) | 73,89 GiB (sığmaz) | 44,01 GiB (sığmaz) | — | — |
| Qwen2.5 72B Instruct | 142,0 GiB (sığmaz) | 76,64 GiB (sığmaz) | 45,99 GiB (sığmaz) | — | — |
| Llama 4 Scout 17B-16E Instruct | 205,4 GiB (sığmaz) | 106,2 GiB (sığmaz) | 59,64 GiB (sığmaz) | — | — |
| gpt-oss 120B | 220,1 GiB (sığmaz) | 112,4 GiB (sığmaz) | 68,40 GiB (sığmaz) | — | — |
| Mixtral 8x22B Instruct | 265,6 GiB (sığmaz) | 135,1 GiB (sığmaz) | 73,87 GiB (sığmaz) | — | — |
| Llama 3.1 405B Instruct | 768,3 GiB (sığmaz) | 394,2 GiB (sığmaz) | 218,9 GiB (sığmaz) | — | — |
| DeepSeek V3 | 1279,1 GiB (sığmaz) | 643,3 GiB (sığmaz) | 345,2 GiB (sığmaz) | — | — |
Bellek; 8k context ve tek kullanıcı (modelin maksimum context'i daha kısaysa o) için, FP16 KV cache ve bu kartın varsayılanlarıyla vLLM'in ek yüküyle hesaplanır. Kullanıcı sayısı (her biri 8k) ve maksimum context, sığan en yüksek hassasiyet içindir.
BF16, FP8 ve INT4'ün bellek için anlamı: quantization ve VRAM.
Tek karta sığmayan bir model birden çok kartta çalışabilir: tensor parallel, ağırlıklarını ve KV cache'ini kartlar arasında böler. Kaç tane gerektiğini hesaplayıcı bulur.