LLMScalecanlı Hugging Face verisi
ENTR

Gemma 3 4B IT kaç GB VRAM ister?

Gemma 3 4B IT, 34 katmanda 4,30B parametreye sahiptir. Grouped-query attention kullanır: 8 query head, 4 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 2× küçüktür. En fazla 131.072 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 3,09 GiB KV cache ister. Hugging Face deposu erişim onayı gerektirdiği için LLMScale mimarisini yerleşik veritabanında taşır.

BF16 · 8k context · tek kullanıcı
10,57 GiB

8,01 GiB ağırlık, 762 MiB KV cache ve 1,82 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 5,61 GiB ister.

  • 34 katman
  • hidden 2560
  • 8/4 heads
  • head_dim 256
  • 128k maks context

Hassasiyet ve context'e göre Gemma 3 4B IT belleği

Hassasiyet8k context32k context128k context
BF1610,57 GiBKV cache 762 MiB11,04 GiBKV cache 1,21 GiB12,91 GiBKV cache 3,09 GiB
FP87,19 GiBKV cache 762 MiB7,66 GiBKV cache 1,21 GiB9,53 GiBKV cache 3,09 GiB
INT45,61 GiBKV cache 762 MiB6,07 GiBKV cache 1,21 GiB7,95 GiBKV cache 3,09 GiB

Tek kullanıcı, FP16 KV cache ve 70 GB altı bir kartın varsayılanlarıyla tek GPU'da vLLM'in ek yükü. Quantization ağırlıkları küçültür, KV cache'i değil; bu yüzden context büyüdükçe kazanç daralır.

Onu tek başına taşıyan GPU'lar

8k context ve tek kullanıcı için, en küçük kartlar önce. Ayrık kartlarda vLLM'in varsayılanı olan bellek payı %92, unified bellekli cihazlarda GPU'nun kullanabildiği pay hesaba katılır; her cihaz kendi varsayılanlarıyla vLLM'in ek yükünü taşır.

Kaç kullanıcı sığar

GPUBF16FP8INT4
RTX 4090162022
RTX 5090253032
RTX 6000 Ada455052
H100 SXM 80GB545758
RTX PRO 6000 Blackwell677071
AMD Ryzen AI Max+ 395 (128GB)687172
H200 141GB104108109
B200 180GB133136137

Kullanıcı başına 8k context ile, tek kartta. ✗: ağırlıklar tek bir kullanıcıya bile yer bırakmıyor.

Gemma 3 4B IT ince ayarı

YöntemBellekEn küçük GPU
Tam ince ayar65,41 GiBRTX PRO 5000 Blackwell (72GB)
LoRA (rank 16, attention)9,47 GiBRTX 3060
QLoRA (rank 16, attention)3,52 GiBRTX 3060

Dizi uzunluğu 2.048, batch 1, gradient checkpointing açık, Adam. Tam ince ayar aktivasyonlardan önce parametre başına 16 byte tutar; QLoRA dondurulmuş temel modeli 4-bit NF4 olarak saklar.

Sayılar nereden geliyor

Ağırlıklar parametre × parametre başına byte olur. KV cache 2 × katman × key-value head × head boyutu × byte × context × kullanıcı olur. Gemma 3 4B IT için bu, FP16'da token başına 136,0 KiB eder. 34 katmanının 29 tanesi son 1.024 token'lık kayan pencereye bakar ve bundan fazlasını tutmaz; pencereden sonra eklenen her token, diğer 5 katmanın payı olan 20,0 KiB ekler. Bunlar kapasite planlama sayılarıdır: servis motoru — vLLM, TGI, llama.cpp — ve paged-attention verimliliği gerçek değeri yine değiştirir.

Daha fazlası: KV cache boyutu ve GQA, MQA ve MLA.

Gemma 3 4B IT ile çalış

Diğer Gemma modelleri