Gemma 3 4B IT: VRAM- und Speicherbedarf

Speicherschichten in dieser Schätzung

Datei-Bytes, rohes KV, Engine-Zusätze und Gesamtbedarf stehen getrennt. Das ist keine Laufzeitspur.

Weight artifact

2,94 GiB (3.155.051.328 bytes)

Raw KV cache

0,27 GiB (289.406.976 bytes)

Engine extras / workspace

0,13 GiB–0,58 GiB

Total estimated demand

3,33 GiB–3,79 GiB

Gewählte Dateien

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.

KV-Cache (Rohdaten)

Verwandte Seiten

• KV-Cache-Rechner
• Speicher bei 4-bit, 8-bit und FP16 (Englisch)
• Dateigröße ist nicht Laufzeit-VRAM (Englisch)
• Methodik

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_4b: num_hidden_layers=34, num_attention_heads=8, num_key_value_heads=4, hidden_size=2560, 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 5 global and 29 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 34, head_count 8, head_count_kv 4, embedding_length 2560, 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 093f9f388b31de276ce2de164bdc2081324b9767; gated manual; safetensors.total=4300079472; 2 safetensors siblings.
• Hugging Face API (QAT Q4_0 GGUF) — sha 15f73f5eee9c28f53afefef5723e29680c2fc78a; gemma-3-4b-it-q4_0.gguf = 3,155,051,328 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-3-4b-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