Gemma 4 26B-A4B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 17,4 ГБ видеопамяти. Самый дешёвый вариант сейчас — 2× RTX 3060 12 ГБ, от 14 ₽/ч.
Размер файла весов и вся нужная видеопамять с кэшем контекста. Одна видеокарта, один запрос.
| Квантизация | Файл | Контекст 8K | Контекст 32K | Контекст 128K | Хватит видеокарты |
|---|---|---|---|---|---|
| BF16 | 47,0 | 48,6 | 49,1 | 51,0 | RTX PRO 5000 72 ГБ |
| Q8_0 | 25,0 | 26,6 | 27,1 | 29,0 | Tesla V100 Super 32 ГБ |
| Q6_K | 21,6 | 23,2 | 23,7 | 25,5 | RTX 3090 24 ГБ |
| Q5_K_M | 19,7 | 21,3 | 21,8 | 23,6 | RTX 3090 24 ГБ |
| Q4_K_M | 15,8 | 17,4 | 17,9 | 19,7 | RTX 4000 Ada 20 ГБ |
| Q3_K_M | 11,9 | 13,5 | 13,9 | 15,8 | RTX 4070 Ti Super 16 ГБ |
| UD-Q2_K_XL | 9,8 | 11,4 | 11,9 | 13,8 | RTX 3060 12 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 20 КБ на токен + 1024 × 200 KB.
Видеокарты из каталога, на которых модель помещается, по цене за час.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
Шаблон «Gemma 4 26B» запускает модель с готовым окружением: откройте ссылку, когда сервер загрузится.
Для API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.