Gemma 4 31B IT: какой квант выбрать
Все кванты Gemma 4 31B IT (32.7 B), которые реально есть в данных (5: Q4_K_M, Q5_K_M, Q8_0, Q4_0, 4bit), с точными размерами файлов от 19.10.2026 и расчётом «сколько VRAM под контекст».
Кванты: размер → VRAM под контекст → мин. карта
| Квант (файл) | Размер, ГБ | Итого @8K | Итого @16K | Итого @32K | Мин. карта | ~tok/s RTX 4060 8 GB | ~tok/s RTX 4090 24 GB | ~tok/s Apple M2 24 GB (unified) |
|---|---|---|---|---|---|---|---|---|
| Q4_K_M unsloth/gemma-4-31b-it-GGUF | 18.32 ГБ | 27.9 | 35.9 | 52 | 24 ГБ+ | offload | offload | offload |
| Q5_K_M unsloth/gemma-4-31b-it-GGUF | 21.66 ГБ | 31.2 | 39.3 | 55.4 | 24 ГБ+ | offload | offload | offload |
| Q8_0 ggml-org/gemma-4-31b-it-GGUF | 32.64 ГБ | 42.2 | 50.2 | 66.4 | 24 ГБ+ | offload | offload | offload |
| Q4_0 ggml-org/gemma-4-31b-it-GGUF | 17.99 ГБ | 27.5 | 35.6 | 51.7 | 24 ГБ+ | offload | offload | offload |
| 4bit mlx-community/gemma-4-31b-it-4bit | 18.41 ГБ | 28 | 36 | 52.1 | 24 ГБ+ | offload | offload | offload |
«Итого» = веса + KV-кэш (fp16, 16 KV-голов) + 1.5 ГБ overhead; q8_0-KV-кэш режет KV вдвое. У модели sliding window 1024 — расчёт по всем слоям (верхняя оценка).
tok/s — оценка: влезает → bandwidth ÷ размер × 0.5 (dense), не влезает → CPU-offload 1–5 tok/s. Оценка, не бенчмарк.
Лучший квант по tier памяти (влезает @16K)
| Память | Бюджет (90%) | Лучший (самый тяжёлый) квант | Итого @16K |
|---|---|---|---|
| 8 ГБ | 7.2 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 16 ГБ | 14.4 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 24 ГБ | 21.6 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 48 ГБ | 43.2 ГБ | Q5_K_M (21.66 ГБ, gemma-4-31B-it-Q5_K_M.gguf) | 39.3 ГБ |
«Лучший» = самый тяжёлый (качественный) квант, влезший в tier с контекстом 16K. Q2/Q3-кванты — заметное падение качества (experimental) — не рекомендуем и в таблицу не включали.
Диапазон скорости по квантам (оценка, не бентчмарк)
- RTX 4060 8 GB: оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
- RTX 4090 24 GB: оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
- Apple M2 24 GB (unified): оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
Оговорки и ссылки
- Размеры — фактические байты из Ollama-реестра / HF API от 19.10.2026; «влезает» — по бюджету 90% VRAM (unified — 70–85%). Оценки — модельные, не бентчмарки.
- Мин. карта — из каталога gpus.json (12 устройств); «24 ГБ+» — вне каталога/оффлоад.