granite-3.3-8b-instruct の VRAM・メモリ要件
出典付きの構成と、選択した重みファイルに基づく具体的なチェックポイントです。 GGUF Q4_K_M (IBM)：8,192 トークンで約 5.98 GiB–6.53 GiB、シーケンス 1、FP16 KV、llama.cpp。
これは見積もりであり、実機トレースではありません。未確認ファイル由来の重み
公開元と出典
- 提供元IBM
- Hugging Face
ibm-granite/granite-3.3-8b-instruct - Revision
51dd4bc2ade4059a6bd87649d68aa11e4fb2529b - 総パラメータ数8,170,864,640
- 層数40
- クエリヘッド32
- KVヘッド8 (gqa)
- ヘッド次元128
- 記録されているコンテキスト上限131,072
- 完全性complete · full
この見積もりのメモリ内訳
ファイルのバイト、生の KV、エンジンの追加分、合計需要は別々です。ランタイムのトレースではありません。
- Weight artifact
- 4.60 GiB (4,942,873,344 bytes)
- Raw KV cache
- 1.25 GiB (1,342,177,280 bytes)
- Engine extras / workspace
- 0.13 GiB–0.68 GiB
- Total estimated demand
- 5.98 GiB–6.53 GiB
計上したファイル
| 量子化 | 計上したファイル | バイト | 実行エンジン | 根拠 |
|---|---|---|---|---|
| BF16 safetensors bf16 | model-00001-of-00004.safetensors, model-00002-of-00004.safetensors, model-00003-of-00004.safetensors, model-00004-of-00004.safetensors | 16,341,729,280 (15.22 GiB / 16.34 GB) | vllm, sglang, unspecified | file-metadata |
| GGUF Q4_K_M (IBM) gguf-q4_k_m | granite-3.3-8b-instruct-Q4_K_M.gguf | 4,942,873,344 (4.60 GiB / 4.94 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q5_K_M (IBM) gguf-q5_k_m | granite-3.3-8b-instruct-Q5_K_M.gguf | 5,797,462,784 (5.40 GiB / 5.80 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q6_K (IBM) gguf-q6_k | granite-3.3-8b-instruct-Q6_K.gguf | 6,705,464,064 (6.24 GiB / 6.71 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q8_0 (IBM) gguf-q8_0 | granite-3.3-8b-instruct-Q8_0.gguf | 8,684,264,992 (8.09 GiB / 8.68 GB) | llama.cpp, ollama, unspecified | file-metadata |
| INT4 theoretical | 公開ファイルなし | 4,085,432,320 (理論行はダウンロード可能な成果物ではありません。) | — | theoretical |
量子化とコンテキストごとのメモリ
同時シーケンスは 1 です。KV は既定で FP16 です。範囲には、記載したエンジンの記録済みランタイム分が含まれます。数字は対話式計算機と同じコアです。
| 量子化 | 2,048 tokens | 8,192 tokens | 32,768 tokens |
|---|---|---|---|
| BF16 safetensors | 16.16 GiB–18.04 GiB | 17.09 GiB–19.01 GiB | 20.84 GiB–22.87 GiB |
| GGUF Q4_K_M (IBM) | 5.04 GiB–5.51 GiB | 5.98 GiB–6.53 GiB | 9.73 GiB–10.55 GiB |
| GGUF Q5_K_M (IBM) | 5.84 GiB–6.33 GiB | 6.77 GiB–7.34 GiB | 10.52 GiB–11.36 GiB |
| GGUF Q6_K (IBM) | 6.68 GiB–7.19 GiB | 7.62 GiB–8.21 GiB | 11.37 GiB–12.22 GiB |
| GGUF Q8_0 (IBM) | 8.53 GiB–9.07 GiB | 9.46 GiB–10.09 GiB | 13.21 GiB–14.10 GiB |
| INT4 theoretical 理論行はダウンロード可能な成果物ではありません。 | 4.24 GiB–5.84 GiB | 5.18 GiB–7.01 GiB | 8.93 GiB–11.63 GiB |
KV Cache（生データ）
標準の GQA/MHA 生 KV は 2 × 層数 × kvHeads × headDim × トークン数 × シーケンス数 × 要素バイトです。このページは query heads（32）ではなく KV heads（8）を使います。
- 8,192 tokens, 1 sequence, FP16: 1,342,177,280 bytes (1.2500 GiB)
- 32,768 tokens: 5,368,709,120 bytes (5.00 GiB)
関連ページ
出典
結果を左右する前提
- 要求コンテキストは記録上のネイティブ窓 131072 トークン以内です。
- 常駐ウェイトの見積もりは総パラメータを使い、非アクティブな MoE エキスパートも含めます。
- ウェイトのバイト数は選んだファイルだけです。リポジトリ内の全量子化を合計しません。
- ダウンロードサイズはピーク GPU メモリではありません。実行時レイアウトと KV は別です。
- 計上したファイル: granite-3.3-8b-instruct-Q4_K_M.gguf。
- コンテキストはシーケンスあたりのキャッシュトークン数（入力＋生成の予約）です。
- 同時シーケンスは同一のモデル複製を共有し、ウェイトはシーケンス数では増えません。
- KV の型は、変更しない限りウェイト量子化とは独立です。
計算機
公開カタログスナップショットを読み込み中…
検索するかカタログから選ぶと、ローカルLLMの必要VRAMが出ます。
検索するかカタログから選ぶと、ローカルLLMの必要VRAMが出ます。