Gemma 3 27B IT (Multimodal) — Requisiti VRAM, matrice di quantizzazione e guida GPU
Gemma 3 27B IT (Multimodal) (Google Gemma, Gemma Terms) adotta un’architettura Transformer denso con 27.4B parametri residenti (27.4B attivi per token), 62 livelli e Finestra scorrevole ibrida (SWA) con supporto fino a 131,072 token di contesto.
Simulatore interattivo di memoria e contesto per Gemma 3 27B IT (Multimodal)
Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)
| Precisione / Formato | bpw effettivi | Solo pesi | Totale @ ctx 8K | Totale @ ctx 32K | Totale @ ctx 128K | Fascia consigliata (@ 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 |
Compatibilità hardware e velocità di decodifica (Gemma 3 27B IT (Multimodal) @ Q4_K_M, contesto 32K)
| Fascia hardware | Memoria e banda | Richiesta (32K) | Compatibilità | Velocità decod. stimata |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 20.06 GB (84%) | Al limite (>90% usabile) | 29.7 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 20.06 GB (84%) | Al limite (>90% usabile) | 32.0 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 20.06 GB (63%) | Entra comodamente | 56.8 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 19.49 GB (30%) | Entra comodamente | 16.3 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 19.49 GB (15%) | Entra comodamente | 16.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 19.49 GB (10%) | Entra comodamente | 23.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 20.06 GB (25%) | Entra comodamente | 68.4 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 20.06 GB (25%) | Entra comodamente | 112.5 tok/s |
Parametri verificati dell’architettura Transformer
- Checkpoint ID
- google/gemma-3-27b-it
- Ollama Tag
- gemma3:27b
- License / Release
- Gemma Terms · 2025-Q1
- Topologia e attenzione
- Transformer denso
- Meccanismo di attenzione
- Finestra scorrevole ibrida (SWA)
- Parametri totali (B)
- 27.4B
- Parametri attivi / token (B)
- 27.4B
- Livelli nascosti / Dimensione nascosta
- 62 / 5376
- Teste di query / Teste KV
- 32Q / 16KV (d=128)
- Sliding Window
- 1024 (83% local)
- Vocab / Max Position
- 262,208 / 131,072
I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.
La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.
Comandi rapidi vLLM e Ollama per 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 serveConfronta modelli affini e di scala simile a pesi aperti
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)