Gemma 3 12B IT: VRAM- und Speicherbedarf
Konkrete Checkpoints mit belegter Struktur und ausgewählten Gewichtungsdateien. GGUF Q4_0 (Google QAT): 8,46 GiB–9,04 GiB bei 8.192 Tokens, 1 Sequenz, FP16-KV, llama.cpp.
Das Ergebnis ist eine Schätzung, keine Messung.Nicht geprüftDateigestützte Gewichte
Herausgeber und Herkunft
- AnbieterGoogle
- Hugging Face
google/gemma-3-12b-it - Revision
96b6f1eccf38110c56df3a15bffe176da04bfd80 - Parameter gesamt12.187.325.040
- Schichten48
- Query-Köpfe16
- KV-Köpfe8 (sliding-window)
- Kopfdimension256
- Dokumentierte Kontextfähigkeit131.072
- Vollständigkeitcomplete · full
Speicherschichten in dieser Schätzung
Datei-Bytes, rohes KV, Engine-Zusätze und Gesamtbedarf stehen getrennt. Das ist keine Laufzeitspur.
- Weight artifact
- 7,52 GiB (8.074.473.920 bytes)
- Raw KV cache
- 0,81 GiB (872.415.232 bytes)
- Engine extras / workspace
- 0,13 GiB–0,71 GiB
- Total estimated demand
- 8,46 GiB–9,04 GiB
Gewählte Dateien
| Quantisierung | Gewählte Dateien | Bytes | Laufzeit | Beleg |
|---|---|---|---|---|
| Official BF16 safetensors (text + SigLIP vision tower) bf16 | 24.374.793.024 (22,70 GiB / 24,37 GB) | vllm, sglang, unspecified | file-metadata | |
| GGUF Q4_0 (Google QAT) gguf-q4_0 | gemma-3-12b-it-q4_0.gguf | 8.074.473.920 (7,52 GiB / 8,07 GB) | llama.cpp, ollama, unspecified | file-metadata |
| INT4 theoretical | Keine veröffentlichte Datei | 6.093.662.520 (Theoretische Zeilen sind keine herunterladbaren Artefakte.) | — | theoretical |
Speicher nach Quantisierung und Kontext
Gleichzeitige Sequenzen = 1. KV ist standardmäßig FP16. Die Spanne enthält dokumentierte Laufzeit-Zusätze der genannten Engine. Die Zahlen nutzen denselben Kern wie der interaktive Rechner.
| Quantisierung | 2.048 tokens | 8.192 tokens | 32.768 tokens |
|---|---|---|---|
| Official BF16 safetensors (text + SigLIP vision tower) | 23,76 GiB–25,65 GiB | 24,14 GiB–26,04 GiB | 25,64 GiB–27,58 GiB |
| GGUF Q4_0 (Google QAT) | 8,08 GiB–8,62 GiB | 8,46 GiB–9,04 GiB | 9,96 GiB–10,64 GiB |
| INT4 theoretical Theoretische Zeilen sind keine herunterladbaren Artefakte. | 6,24 GiB–8,40 GiB | 6,61 GiB–8,88 GiB | 8,11 GiB–10,73 GiB |
KV-Cache (Rohdaten)
Verwandte Seiten
Quellen
- Gemma 3 model card (Google AI for Developers) — Input context 128K tokens for 4B, 12B, 27B and 32K for 1B; images encoded to 256 tokens each. License: Gemma Terms of Use.
- Google gemma_pytorch config.py (architecture) — get_config_for_12b: num_hidden_layers=48, num_attention_heads=16, num_key_value_heads=8, hidden_size=3840, head_dim=256, sliding_window_size=1024, attn_types = 5 LOCAL_SLIDING then 1 GLOBAL, cycled by layer index (gemma/model.py: attn_types[i % len(attn_types)]), so 8 global and 40 sliding layers. The Hugging Face config.json is gated (HTTP 401), so it was not read.
- Cross-check only: llama.cpp org GGUF header converted from Google's config (not an official Google source) — Header read with an HTTP range request on 2026-10-18: block_count 48, head_count 16, head_count_kv 8, embedding_length 3840, key_length 256, sliding_window 1024, context_length 131072. All agree with gemma_pytorch config.py.
- Gemma releases — March 10, 2025: release of Gemma 3 in 1B, 4B, 12B and 27B sizes.
- Hugging Face API (BF16) — sha 96b6f1eccf38110c56df3a15bffe176da04bfd80; gated manual; safetensors.total=12187325040; 5 safetensors siblings.
- Hugging Face API (QAT Q4_0 GGUF) — sha 7929e34ac7c459bbfd1f38d7358e6839f204578b; gemma-3-12b-it-q4_0.gguf = 8,074,473,920 bytes.
Annahmen, die das Ergebnis beeinflussen
- Der Kontext liegt im dokumentierten nativen Fenster von 131072 Tokens.
- Die vollständige Residenzschätzung nutzt die Gesamtparameter, inklusive inaktiver MoE-Experten.
- Gewichtbytes kommen nur von den gewählten Dateien, nicht von allen Quantisierungen im Repository.
- Die Downloadgröße ist nicht der GPU-Spitzenspeicher. Layout, Allocator und KV kommen extra.
- Berücksichtigte Dateien: gemma-3-12b-it-q4_0.gguf.
- Es gibt eine Vision-Komponente. Textinferenz zählt Encoder/Projector nicht.
- Das Kontextbudget ist die Zahl gecachter Tokens je Sequenz (Prompt plus reservierte Generierung).
- Gleichzeitige Sequenzen teilen eine Modellkopie; Gewichte werden nicht mit der Sequenzzahl multipliziert.
Rechner
Katalog-Snapshot wird geladen…
Suchen oder ein Katalogmodell wählen, um den VRAM-Bedarf zu sehen.
Suchen oder ein Katalogmodell wählen, um den VRAM-Bedarf zu sehen.