Llama 3.1 8B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 6,6 ГБ видеопамяти. Самый дешёвый вариант сейчас — RTX 3060 12 ГБ, от 6,95 ₽/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 | 15,0 | 17,0 | 20,0 | 32,0 | RTX 4000 Ada 20 ГБ |
| Q6_K | 6,1 | 8,1 | 11,1 | 23,1 | RTX 3080 10 ГБ |
| Q5_K_M | 5,3 | 7,3 | 10,3 | 22,3 | RTX 4060 8 ГБ |
| Q4_K_M | 4,6 | 6,6 | 9,6 | 21,6 | RTX 4060 8 ГБ |
| Q3_K_M | 3,7 | 5,7 | 8,7 | 20,7 | RTX A2000 6 ГБ |
| Q2_K | 3,0 | 5,0 | 8,0 | 20,0 | RTX A2000 6 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 128 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.
В шаблоне Ollama модель ставится одной командой:
ollama run llama3.1:8bДля 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.