VRAM-Bedarf von Phi-3.5-mini-instruct

Phi-3.5-mini-instruct braucht mit Q4_K_M und 8K Kontext etwa 6 GiB Grafikspeicher. Eine Grafikkarte mit 8 GB wie die RTX 4060 reicht. Mit 32K Kontext braucht es etwa 15,6 GiB; das passt auf eine Karte mit 20 GB.

Das sind Schätzungen aus der config des Modells und den Dateigrößen, keine Messungen. So rechnen wir

VRAM nach Quantisierung

QuantisierungDateigrößeSumme bei 8KSumme bei 32K
BF16 safetensors7,6 GB10,7 GiB–12,7 GiB19,7 GiB–22,0 GiB
GGUF Q8_0 (bartowski)4,1 GB6,9 GiB–7,6 GiB15,9 GiB–17,2 GiB
GGUF Q6_K (bartowski)3,1 GB6,0 GiB–6,7 GiB15,0 GiB–16,3 GiB
GGUF Q5_K_M (bartowski)2,8 GB5,7 GiB–6,4 GiB14,7 GiB–16,0 GiB
GGUF Q4_K_M (bartowski)2,4 GB5,4 GiB–6,0 GiB14,4 GiB–15,6 GiB

Namen wie Q4_K_M und Q8_0 sind Quantisierungsstufen: weniger Bits pro Gewicht ergeben eine kleinere Datei und etwas weniger Qualität. Die Summen enthalten den KV-Cache (Speicher, der mit der Kontextlänge wächst) und Laufzeitpuffer, für einen Chat gleichzeitig. Dateien zum Herunterladen

Welche Grafikkarten es schaffen

SpeicherNutzbarBeispieleBei 8KBei 32K
8 GB7,0 GiBRTX 4060, RTX 3060, RTX 5060 Ti +1 weiterePasstPasst nicht
10 GB9,0 GiBRTX 3080Läuft mit LuftPasst nicht
12 GB11,0 GiBRTX 4070, RTX 3060, RTX 5070 +2 weitereLäuft mit LuftPasst nicht
16 GB14,0 GiBRTX 4080 SUPER, RTX 5080, RX 7800 XT +5 weitereLäuft mit LuftPasst nicht
16 GB15,0 GiBRTX 4060 Ti, RTX 4070 Ti SUPERLäuft mit LuftKnapp
20 GB18,0 GiBRX 7900 XTLäuft mit LuftPasst
24 GB22,0 GiBRTX 4090, RX 7900 XTX, RTX 3090Läuft mit LuftPasst
32 GB30,0 GiBRTX 5090Läuft mit LuftLäuft mit Luft
48 GB46,0 GiBL40SLäuft mit LuftLäuft mit Luft
80 GB78,0 GiBA100, H100Läuft mit LuftLäuft mit Luft
64 GB · Unified54,0 GiBApple M2 MaxLäuft mit LuftLäuft mit Luft
128 GB · Unified96,0 GiBRyzen AI Max+ 395Läuft mit LuftLäuft mit Luft
128 GB · Unified112,0 GiBDGX Spark (GB10)Läuft mit LuftLäuft mit Luft
128 GB · Unified116,0 GiBApple M4 MaxLäuft mit LuftLäuft mit Luft

GGUF Q4_K_M (bartowski), ein Chat gleichzeitig. Nutzbar ist der Gesamtspeicher minus eine Standardreserve für Betriebssystem und Anzeige.

Einzelne Kombinationen

Architektur

Der KV-Cache wächst mit dem Kontext: in FP16 etwa 3 GiB bei 8K und 12 GiB bei 32K.

Häufige Fragen

Ist die Downloadgröße gleich dem VRAM-Bedarf?

Nein. Die Q4_K_M-Datei hat etwa 2,2 GiB, aber mit 8K Kontext liegt die Summe bei etwa 6 GiB, weil KV-Cache und Laufzeitpuffer dazukommen.

Wie viel Speicher kostet ein längerer Kontext?

Bei Phi-3.5-mini-instruct ist der KV-Cache in FP16 etwa 3 GiB bei 8K Tokens und 12 GiB bei 32K. Die Gewichte bleiben gleich groß.

Welche Quantisierung soll ich nehmen?

Fang mit Q4_K_M an (etwa 6 GiB bei 8K). Wenn der Speicher reicht, braucht BF16 etwa 12,7 GiB und bleibt näher an den Originalgewichten.

Dateien zum Herunterladen

QuantisierungDateienDateigrößeEngine
BF16 safetensorsmodel-00001-of-00002.safetensors, model-00002-of-00002.safetensors7,64 GB
7.642.159.104 bytes
vllm, sglang
GGUF Q8_0 (bartowski)Phi-3.5-mini-instruct-Q8_0.gguf4,06 GB
4.061.222.688 bytes
llama.cpp, ollama
GGUF Q6_K (bartowski)Phi-3.5-mini-instruct-Q6_K.gguf3,14 GB
3.135.853.344 bytes
llama.cpp, ollama
GGUF Q5_K_M (bartowski)Phi-3.5-mini-instruct-Q5_K_M.gguf2,82 GB
2.815.276.320 bytes
llama.cpp, ollama
GGUF Q4_K_M (bartowski)Phi-3.5-mini-instruct-Q4_K_M.gguf2,39 GB
2.393.232.672 bytes
llama.cpp, ollama
So kommt die Zahl zustande

Summe = Gewichtsdatei + KV-Cache + Laufzeitpuffer. Die Spanne reicht von niedrigem bis hohem Laufzeit-Overhead der gezeigten Engine.

GGUF Q4_K_M (bartowski) · 8.192 tokens · llama.cpp

Gewichte (Datei)
2,23 GiB (2.393.232.672 bytes)
KV-Cache
3,00 GiB (3.221.225.472 bytes)
Laufzeitpuffer
0,13 GiB–0,75 GiB
Summe
5,35 GiB–5,98 GiB
  • Der Kontext liegt im nativen Fenster von 131072 Tokens.
  • Für die geladenen Gewichte zählen alle Parameter, auch inaktive MoE-Experten.
  • Gezählt werden nur die gewählten Gewichtsdateien, nicht alle Quantisierungen im Repository.
  • Die Downloadgröße ist nicht der Spitzenbedarf an GPU-Speicher. Laufzeitlayout, Allocator-Padding und KV-Cache kommen hinzu.
  • Berücksichtigte Dateien: Phi-3.5-mini-instruct-Q4_K_M.gguf.
  • Kontextlänge = gecachte Tokens pro Sequenz (Prompt plus reservierte Ausgabe).
  • Gleichzeitige Sequenzen teilen eine Modellkopie; Gewichte werden nicht mit der Sequenzzahl multipliziert.
  • Die KV-Präzision hängt nicht von der Quantisierung der Gewichte ab, solange Sie sie nicht ändern.

So rechnen wir

Rechner mit diesem Modell öffnen

Verwandte Seiten

Quellen

Rechner

Katalog-Snapshot wird geladen…

Kontextlänge

Mehr Kontext braucht mehr Speicher für den KV-Cache, das Arbeitsgedächtnis des Modells für die Unterhaltung.

Weitere Optionen
Quantisierung
Laufzeit

Engine und KV-Cache-Typ für diese Schätzung.

Arbeitslast

Overhead-Szenario und der Prefill-Arbeitsspeicher.

Topologie

Wie das Modell auf Geräte verteilt wird. Speicher wird nicht addiert.

Replikatzahl ist eine erweiterte Option. Anzahl meint Knoten oder GPUs, nicht Replikate.

Budget

Systemreserve und Sicherheitsmarge. Ein leeres Feld behält den vorherigen Wert.

GiB (2^30 Byte)

%

Eigenes Modell

Konfiguration importieren oder die Architektur eintragen. Vor dem Import wird nichts gescannt.

Die Datei wird nur im Browser gelesen und nicht hochgeladen.

Nur huggingface.co, nur config.json, kein Token. Private Repos werden abgelehnt.

Wähle ein Modell, um zu sehen, wie viel Speicher es braucht.