Qwen3-8B
Qwen · Qwen/Qwen3-8B · gqa · full
| 量化 | 2,048 | 8,192 | 32,768 |
|---|---|---|---|
| BF16 safetensors | 15.60 GiB–16.16 GiB | 16.44 GiB–17.01 GiB | 19.82 GiB–20.38 GiB |
| GGUF Q4_K_M | 5.03 GiB–5.59 GiB | 5.87 GiB–6.43 GiB | 9.24 GiB–9.81 GiB |
| GGUF Q8_0 | 8.46 GiB–9.02 GiB | 9.30 GiB–9.86 GiB | 12.67 GiB–13.24 GiB |
| INT4 theoretical | 4.16 GiB–5.11 GiB | 5.01 GiB–5.95 GiB | 8.38 GiB–9.33 GiB |
估算结果
无法判断
缺少预算、关键数据，或部署方式超出本版本能力。
估算内存区间: 5.93 GiB – 6.48 GiB
权重使用了选定文件的元数据。运行时额外占用仍是估算。
软件兼容性
已有文档支持. 内存够用，不代表指定引擎、量化格式和操作系统一定能跑。软件兼容也不代表性能足够好。
影响结论的假设
- 完整驻留权重估算使用总参数量，包括未激活的 MoE 专家。
- 权重字节只计入选定的权重文件，不会把仓库里所有量化版本加在一起。
- 下载文件大小不是峰值 GPU 内存。运行时布局、分配器填充和 KV 是额外占用。
- 计入的文件：Qwen3-8B-Q4_K_M.gguf。
- 上下文预算是每个序列缓存的 token 数（输入加上预留的生成长度）。
- 并发序列共用一份模型副本；权重不会按序列数再乘一遍。
- 除非你改 KV 精度，否则 KV 的数据类型与权重量化无关。
- 使用 8 个 KV heads，而不是 32 个 query heads。
- 预填充峰值和稳定解码占用不一定相同。高情景更接近预填充/工作区压力。
- 引擎预留不等于模型权重和 KV 的实际占用。
- llama.cpp 的计算缓冲会随上下文和 batch 增长。这里是可调情景，不是实测；若有匹配校准会单独标明。