NVIDIA GeForce RTX 4090 (24 GB GDDR6X) — 動作可能モデル・最大コンテキスト & tok/s ベンチマーク

物理メモリ: 24 GB
Default / Tuned Usable: 22.1 / 23.0 GB
メモリ帯域幅: 1,008 GB/s
FP16 演算性能: 165.2 TFLOPS
クラウド目安 $/h / CapEx: $0.44/hr · $1,799
TDP / Native FP8: 450W · FP8 Yes

VRAM計算機で開く → vLLM / Ollama 設定を生成 → 自前GPU vs API を比較 →

RTX 4090 24GB インタラクティブ負荷シミュレーター

オープンウェイトモデル（またはカスタム）

マルチデバイス構成（1×〜8× RTX 4090 24GB）

重み量子化 (bpw)

KVキャッシュ精度

コンテキスト長 (tokens) 32,768 トークン

メモリ内訳 & メモリ帯域幅上限

余裕で収容可能

モデル重み: 56.4% KV: 33.8% Overhead: 9.8%

必要メモリ合計

14.81 GB

デバイスあたり割当量: 14.81 / 24 GB

モデル重み

8.36 GB

KV: 5.00 GB

推定単一ストリーム速度

44.0 tok/s

推定バッチ総スループット: 44.0 tok/s

OOM到達前の最大コンテキスト

89,017

トークン

自動コンパイルされる主要フラグの安全設計

テンソル並列はアテンションヘッドとMLP行列をNVLinkやPCIeデバイスへ分割するため、--tensor-parallel-size はクエリヘッド数およびKVヘッド数を割り切れる値にしつつ、NCCL all-reduceバッファとCUDAグラフ確保用の余裕を残す必要があります。

単一ユーザーの自己回帰生成では、1トークン出力するたびにVRAMから演算コアへ有効モデル重みを読み出す必要があります。メモリ帯域幅が2倍になれば（例：546 GB/s から GDDR7 の 1,792 GB/s や HBM3 の 3,350 GB/s へ向上）、同じ量子化精度で tok/s もほぼ2倍になります。

1× RTX 4090 24GB オープンウェイトLLM互換マトリクス（32K コンテキスト）

単一デバイスでの FP16・Q8_0・Q4_K_M 収容判定と推定単一ストリーム tok/s
モデル & ファミリー	FP16	Q8_0	Q4_K_M	最適量子化	最大コンテキスト (Q4_K_M)	デコード速度 (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	12,759 トークン	—
Qwen3-235B-A22B (MoE) 235B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	IQ4_XS	48,634 トークン	120.8 tok/s
Qwen3-32B 32.8B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	12,759 トークン	—
Qwen3-14B 14.8B · GQA	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	余裕で収容可能	FP8	89,017 トークン	44.0 tok/s
Qwen3-8B 8.2B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	FP16 / BF16	126,857 トークン	64.3 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	12,759 トークン	—
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	12,759 トークン	—
Qwen2.5-72B-Instruct 72.7B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 3.3 70B Instruct 70.6B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 3.1 405B Instruct 405B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	FP16 / BF16	143,524 トークン	68.8 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	Q4_K_M	13,224 トークン	32.0 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	メモリ不足 (OOM)	余裕で収容可能	余裕で収容可能	FP8	41,219 トークン	63.8 tok/s
Mistral Small 3.1 (24B) 24B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	Q4_K_M	53,954 トークン	31.7 tok/s
Mistral Large 2411 (123B) 123B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Codestral 22B 22.2B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	Q4_K_M	43,438 トークン	30.1 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	Q5_K_M	55,478 トークン	32.0 tok/s
GLM-4-32B-0414 32B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	IQ4_XS	61,544 トークン	29.4 tok/s
GLM-4-9B-0414 9.4B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	FP16 / BF16	438,394 トークン	89.6 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	余裕で収容可能	FP8	71,519 トークン	40.4 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	163,486 トークン	95.2 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—