¿Puede ejecutarse Phi-3.5-mini-instruct en GeForce RTX 4060 8GB (desktop)?
Juicio condicional de memoria para una configuración. El contexto, la cuantización o el motor pueden cambiar la conclusión.
Small dense model on 8GB, including long-context KV pressure.
Configuración de esta página: bf16, 8192 tokens en caché, 1 secuencia, motor vllm.
Estado: Memoria insuficiente. Software: Soporte documentado.
Pesos 7,12 GiB · KV cruda 3,00 GiB · total 10,74 GiB–12,71 GiB.
Presupuesto disponible 7,00 GiB tras la reserva por defecto.
Esta página es una estimación salvo que haya una medición residente coincidente.
- La estimación residente usa el total de parámetros, incluidos expertos MoE inactivos.
- Los bytes de pesos salen solo de los archivos elegidos, no de todas las cuantizaciones del repositorio.
- El tamaño de descarga no es la memoria GPU de pico. El diseño en ejecución y la KV van aparte.
- Archivos contados: model.safetensors.index.json metadata.total_size.
- El contexto es el número de tokens en caché por secuencia (entrada más generación reservada).
- Las secuencias concurrentes comparten una copia del modelo; los pesos no se multiplican por el número de secuencias.
- El tipo de KV es independiente de la cuantización de pesos salvo que lo cambie.
- El pico de prefill y la decodificación estable no coinciden. El escenario alto se acerca al prefill.
Estimación
Memoria insuficiente
Incluso el mínimo estimado supera el presupuesto disponible.
Rango estimado de memoria: 10,74 GiB – 12,71 GiB
Los pesos usan metadatos de los archivos elegidos. El extra de ejecución sigue siendo estimado.
Presupuesto disponible: 7,00 GiB · Restante tras la estimación: -5,71 GiB – -3,74 GiB
Compatibilidad de software
Soporte documentado. Que quepa en memoria no prueba que el motor, la cuantización y el sistema funcionen juntos. Compatibilidad no implica buen rendimiento.
Hipótesis que afectan al resultado
- La estimación residente usa el total de parámetros, incluidos expertos MoE inactivos.
- Los bytes de pesos salen solo de los archivos elegidos, no de todas las cuantizaciones del repositorio.
- El tamaño de descarga no es la memoria GPU de pico. El diseño en ejecución y la KV van aparte.
- Archivos contados: model.safetensors.index.json metadata.total_size.
- El contexto es el número de tokens en caché por secuencia (entrada más generación reservada).
- Las secuencias concurrentes comparten una copia del modelo; los pesos no se multiplican por el número de secuencias.
- El tipo de KV es independiente de la cuantización de pesos salvo que lo cambie.
- El pico de prefill y la decodificación estable no coinciden. El escenario alto se acerca al prefill.
- La reserva del motor no es el uso real de pesos y KV.
- vLLM suele preasignar KV de la GPU restante. Aquí se informa la KV necesaria más extras de CUDA/grafos, no el resto que se queda el asignador.
- La alineación de bloques de PagedAttention puede sumar un poco sobre la KV cruda.
- La RAM del host no se añade sola a la VRAM discreta.