Gemma 3 12B IT (Multimodal) VRAM-Bedarf, GGUF-Größen & GPU-Le…

Interaktiver Speicher- & Kontextsimulator für Gemma 3 12B IT (Multimodal)

Gewichtsquantisierung (bpw)

KV-Cache-Präzision

Ziel-GPU / Unified-Memory-Klasse

Geräte (TP)

Kontextlänge (Tokens) 32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Knapp (>90 % nutzbar)

Modellgewichte: 65.4% KV: 22% Overhead: 12.6%

Gesamter Speicherbedarf

10.53 GB

Belegung pro Gerät: 10.53 GB

Modellgewichte

6.89 GB

KV-Cache (FP16): 2.31 GB

Gesch. Einzelstream-Decode

22.8 tok/s

Runtime- & TP-Overhead: 1.33 GB

Max. Kontext vor OOM

9,762

Tokens

Architekturbedingte KV-Komprimierung spart 90.4 % gegenüber naiver MHA FP16 (24.00 GB).

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Gesamter GPU-Speicherbedarf nach Gewichtspräzision und Kontextlänge (Batch = 1, FP16-KV-Cache)
Präzision / Format	Effektive bpw	Nur Gewichte	Gesamt @ 8K	Gesamt @ 32K	Gesamt @ 128K	Empfohlene Klasse (@ 32K)
FP16 / BF16	16.00 bpw	22.72 GB	25.34 GB	26.84 GB	32.84 GB	RTX 5090 32GB
FP8	8.50 bpw	12.07 GB	14.37 GB	15.87 GB	21.87 GB	RTX 3090 24GB
Q8_0	8.50 bpw	12.07 GB	14.37 GB	15.87 GB	21.87 GB	RTX 3090 24GB
Q6_K	6.56 bpw	9.32 GB	11.53 GB	13.03 GB	19.03 GB	RTX 4060 Ti 16GB
Q5_K_M	5.69 bpw	8.08 GB	10.26 GB	11.76 GB	17.76 GB	RTX 4060 Ti 16GB
Q4_K_M	4.85 bpw	6.89 GB	9.03 GB	10.53 GB	16.53 GB	RTX 3060 12GB
AWQ INT4	4.50 bpw	6.39 GB	8.52 GB	10.02 GB	16.02 GB	RTX 3060 12GB
IQ4_XS	4.25 bpw	6.04 GB	8.15 GB	9.65 GB	15.65 GB	RTX 3060 12GB

Hardware-Kompatibilität & Decode-Geschwindigkeit (Gemma 3 12B IT (Multimodal) @ Q4_K_M, 32K Kontext)

Passstatus, Speicherauslastung und geschätzter Decode-Durchsatz auf führenden GPUs und Apple Silicon
Hardware-Klasse	Speicher & Bandbreite	Benötigt (32K)	Bewertung	Gesch. Decode-Rate
RTX 3090 24GB	24 GB · 936 GB/s	10.53 GB (44%)	Passt komfortabel	59.3 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	10.53 GB (44%)	Passt komfortabel	63.8 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	10.53 GB (33%)	Passt komfortabel	113.5 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	10.09 GB (16%)	Passt komfortabel	32.5 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	10.09 GB (8%)	Passt komfortabel	32.5 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	10.09 GB (5%)	Passt komfortabel	47.7 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	10.53 GB (13%)	Passt komfortabel	136.7 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	10.53 GB (13%)	Passt komfortabel	224.6 tok/s

Geprüfte Transformer-Architekturparameter

Checkpoint ID: google/gemma-3-12b-it
Ollama Tag: gemma3:12b
License / Release: Gemma Terms · 2025-Q1
Topologie & Attention: Dichter Transformer
Aufmerksamkeitsmechanismus: Hybride Sliding-Window-Attention (SWA)
Gesamtparameter (Mrd.): 12.2B
Aktive Parameter / Token (Mrd.): 12.2B
Verborgene Schichten / Hidden-Dimension: 48 / 3840
Query-Heads / KV-Heads: 16Q / 8KV (d=256)
Sliding Window: 1024 (83% local)
Vocab / Max Position: 262,208 / 131,072

Quantisierte Formate speichern blockweise Skalierungsfaktoren und Nullpunkte neben gepackten Ganzzahlgewichten. Ein 4-Bit-GGUF-Checkpoint in Q4_K_M benötigt im Schnitt 4.85 effektive Bits pro Parameter (nicht 4.00), während Q8_0 bei 8.50 bpw liegt. Bei Mixture-of-Experts-Modellen bleiben sämtliche gerouteten und geteilten Experten im Speicher resident, um Host-Paging bei jedem Token zu verhindern.

Standard-Grouped-Query-Attention reserviert über alle Schichten hinweg 2 × L × H_kv × d_head × S × B × bytes_kv. DeepSeek Multi-head Latent Attention (MLA) komprimiert Keys und Values auf L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv und senkt den Speicherbedarf langer Kontexte um über 90 %. Hybride Sliding-Window-Modelle deckeln lokale Schichten bei min(S, window_size), während globale Schichten linear mit S wachsen.

Schnellstart-Befehle für vLLM & Ollama (Gemma 3 12B IT (Multimodal))

vllm serve google/gemma-3-12b-it \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create gemma-3-12b-custom -f Modelfile
FROM gemma3:12b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Gemma 3 12B IT (Multimodal) — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für Gemma 3 12B IT (Multimodal)

Speicheraufschlüsselung & Bandbreitenlimit

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Hardware-Kompatibilität & Decode-Geschwindigkeit (Gemma 3 12B IT (Multimodal) @ Q4_K_M, 32K Kontext)

Geprüfte Transformer-Architekturparameter

Schnellstart-Befehle für vLLM & Ollama (Gemma 3 12B IT (Multimodal))

Verwandte & ähnlich große Open-Weight-Modelle vergleichen

Gemma 3 27B IT (Multimodal)

Microsoft Phi-4 (14B)

Qwen3-14B

GLM-4-9B-0414

Qwen3-8B

Llama 3.1 8B Instruct