Llama 3.1 8B Instruct: какой квант выбрать
Все кванты Llama 3.1 8B Instruct (8 B), которые реально есть в данных (4: Q4_K_M, Q5_K_M, Q8_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/Llama-3.1-8B-Instruct-GGUF | 4.92 ГБ | 7.5 | 8.6 | 10.7 | от 12 ГБ | offload | ~102 | ~10 |
| Q5_K_M unsloth/Llama-3.1-8B-Instruct-GGUF | 5.73 ГБ | 8.3 | 9.4 | 11.5 | от 12 ГБ | offload | ~88 | ~9 |
| Q8_0 lmstudio-community/Meta-Llama-3.1-8B-Instruct-GGUF | 8.54 ГБ | 11.1 | 12.2 | 14.3 | от 16 ГБ | offload | ~59 | ~6 |
| 4bit mlx-community/Llama-3.1-8B-Instruct-4bit | 4.52 ГБ | 7.1 | 8.2 | 10.3 | от 12 ГБ | offload | ~112 | ~11 |
«Итого» = веса + KV-кэш (fp16, 8 KV-голов) + 1.5 ГБ overhead; q8_0-KV-кэш режет KV вдвое.
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 | Q8_0 (8.54 ГБ, Meta-Llama-3.1-8B-Instruct-Q8_0.gguf) | 12.2 ГБ |
| 24 ГБ | 21.6 ГБ | Q8_0 (8.54 ГБ, Meta-Llama-3.1-8B-Instruct-Q8_0.gguf) | 12.2 ГБ |
| 48 ГБ | 43.2 ГБ | Q8_0 (8.54 ГБ, Meta-Llama-3.1-8B-Instruct-Q8_0.gguf) | 12.2 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: 59–112 tok/s (среди квантов, влезших на это устройство)
- Apple M2 24 GB (unified): 6–11 tok/s (среди квантов, влезших на это устройство)
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.