Hermes 4.3 36B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 23,3 ГБ видеопамяти. Самый дешёвый вариант сейчас — RTX 3090 24 ГБ, от 26 ₽/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 | ≈67,3 | 70,4 | 76,4 | 100,4 | A800 PCIe 80 ГБ |
| Q8_0 | 35,8 | 38,8 | 44,8 | 68,8 | A100 PCIe 40 ГБ |
| Q6_K | 27,6 | 30,7 | 36,7 | 60,7 | Tesla V100 Super 32 ГБ |
| Q5_K_M | 23,8 | 26,9 | 32,9 | 56,9 | Tesla V100 Super 32 ГБ |
| Q4_K_M | 20,3 | 23,3 | 29,3 | 53,3 | RTX 3090 24 ГБ |
| Q3_K_M | 16,4 | 19,5 | 25,5 | 49,5 | RTX 4000 Ada 20 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 256 КБ на токен.
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 «Hermes 4.3 36B» 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.