Gemma 3 27B IT (Multimodal) — Requisitos de VRAM, matriz de cuantización y guía de GPU
Gemma 3 27B IT (Multimodal) (Google Gemma, Gemma Terms) es una arquitectura Transformer denso con 27.4B parámetros residentes (27.4B activos por token), 62 capas y Ventana deslizante híbrida (SWA) compatible con hasta 131,072 tokens de contexto.
Simulador interactivo de memoria y contexto para Gemma 3 27B IT (Multimodal)
Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)
| Precisión / Formato | bpw efectivos | Solo pesos | Total @ ctx 8K | Total @ ctx 32K | Total @ ctx 128K | Nivel recomendado (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 51.04 GB | 54.82 GB | 56.69 GB | 64.19 GB | NVIDIA A100 80GB |
| FP8 | 8.50 bpw | 27.11 GB | 30.18 GB | 32.05 GB | 39.55 GB | Apple M4 Pro 48GB |
| Q8_0 | 8.50 bpw | 27.11 GB | 30.18 GB | 32.05 GB | 39.55 GB | Apple M4 Pro 48GB |
| Q6_K | 6.56 bpw | 20.92 GB | 23.80 GB | 25.68 GB | 33.18 GB | RTX 5090 32GB |
| Q5_K_M | 5.69 bpw | 18.15 GB | 20.94 GB | 22.82 GB | 30.32 GB | RTX 3090 24GB |
| Q4_K_M | 4.85 bpw | 15.47 GB | 18.18 GB | 20.06 GB | 27.56 GB | RTX 3090 24GB |
| AWQ INT4 | 4.50 bpw | 14.35 GB | 17.03 GB | 18.91 GB | 26.41 GB | RTX 3090 24GB |
| IQ4_XS | 4.25 bpw | 13.56 GB | 16.21 GB | 18.09 GB | 25.59 GB | RTX 3090 24GB |
Compatibilidad de hardware y velocidad de decodificación (Gemma 3 27B IT (Multimodal) @ Q4_K_M, contexto 32K)
| Nivel de hardware | Memoria y ancho de banda | Requerido (32K) | Veredicto de ajuste | Velocidad est. decodificación |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 20.06 GB (84%) | Ajustado (>90 % útil) | 29.7 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 20.06 GB (84%) | Ajustado (>90 % útil) | 32.0 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 20.06 GB (63%) | Cabe con holgura | 56.8 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 19.49 GB (30%) | Cabe con holgura | 16.3 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 19.49 GB (15%) | Cabe con holgura | 16.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 19.49 GB (10%) | Cabe con holgura | 23.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 20.06 GB (25%) | Cabe con holgura | 68.4 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 20.06 GB (25%) | Cabe con holgura | 112.5 tok/s |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- google/gemma-3-27b-it
- Ollama Tag
- gemma3:27b
- License / Release
- Gemma Terms · 2025-Q1
- Topología y atención
- Transformer denso
- Mecanismo de atención
- Ventana deslizante híbrida (SWA)
- Parámetros totales (B)
- 27.4B
- Parámetros activos / token (B)
- 27.4B
- Capas ocultas / Tamaño oculto
- 62 / 5376
- Cabezas de consulta / Cabezas KV
- 32Q / 16KV (d=128)
- Sliding Window
- 1024 (83% local)
- Vocab / Max Position
- 262,208 / 131,072
Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.
La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.
Comandos rápidos de vLLM y Ollama para Gemma 3 27B IT (Multimodal)
vllm serve google/gemma-3-27b-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-3-27b-custom -f Modelfile
FROM gemma3:27b
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 serveComparar modelos hermanos y de escala similar de pesos abiertos
Gemma 3 12B IT (Multimodal)
Google Gemma · 12.2B (HYBRID_SWA)
Qwen3-30B-A3B (MoE)
Qwen · 30.5B (GQA)
Mistral Small 3.1 (24B)
Mistral · 24B (GQA)
Devstral Small (24B SWE Agent)
Mistral · 23.6B (GQA)
GLM-4-32B-0414
Zhipu GLM · 32B (GQA)
Codestral 22B
Mistral · 22.2B (GQA)