NVIDIA GeForce RTX 5090 (32 GB GDDR7) — 구동 가능 모델, 최대 컨텍스트 & tok/s 벤치마크

물리 메모리: 32 GB
Default / Tuned Usable: 29.4 / 30.7 GB
메모리 대역폭: 1,792 GB/s
FP16 연산: 209.5 TFLOPS
클라우드 $/hr / CapEx: $0.79/hr · $2,199
TDP / Native FP8: 575W · FP8 Yes

VRAM 계산기에서 열기 → vLLM / Ollama 설정 생성 → 자체 GPU vs API 비교 →

RTX 5090 32GB 대화형 워크로드 시뮬레이터

오픈웨이트 모델 프리셋 (또는 사용자 정의)

멀티 디바이스 구성 (1× ~ 8× RTX 5090 32GB)

가중치 양자화 (bpw)

KV 캐시 정밀도

컨텍스트 길이 (tokens) 32,768 토큰

메모리 세부 내역 & 대역폭 상한

여유 있게 적재

모델 가중치: 79.2% KV: 13.8% Overhead: 7%

총 필요 메모리

21.75 GB

디바이스당 할당량: 21.75 / 32 GB

모델 가중치

17.22 GB

KV: 3.00 GB

추정 단일 스트림 디코딩

214.7 tok/s

추정 배치 총 처리량: 214.7 tok/s

OOM 이전 최대 컨텍스트

132,520

토큰

자동 컴파일되는 핵심 플래그 안전장치

텐서 병렬화는 어텐션 헤드와 MLP 행렬을 NVLink 또는 PCIe 디바이스에 분할하므로 --tensor-parallel-size가 쿼리 및 KV 헤드 수를 정확히 나누어떨어지게 해야 하며, NCCL all-reduce 버퍼와 CUDA 그래프 캡처를 위한 여유 메모리도 남겨야 합니다.

단일 사용자 자기회귀 생성에서는 출력 토큰마다 VRAM에서 연산 코어로 활성 모델 가중치를 읽어와야 합니다. 메모리 대역폭이 두 배가 되면(예: 546 GB/s에서 GDDR7 1,792 GB/s 또는 HBM3 3,350 GB/s로 향상) 동일한 양자화에서 tok/s 속도 역시 거의 두 배로 증가합니다.

1× RTX 5090 32GB 오픈웨이트 LLM 호환성 매트릭스 (32K 컨텍스트)

단일 디바이스 기준 FP16, Q8_0, Q4_K_M 적재 상태 및 추정 단일 스트림 디코딩 tok/s
모델 & 패밀리	FP16	Q8_0	Q4_K_M	최적 여유 양자화	최대 컨텍스트 (Q4_K_M)	디코딩 속도 (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	Q4_K_M	44,216 토큰	39.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q5_K_M	132,520 토큰	214.7 tok/s
Qwen3-32B 32.8B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	Q4_K_M	44,216 토큰	39.4 tok/s
Qwen3-14B 14.8B · GQA	메모리 부족 (OOM)	여유 있게 적재	여유 있게 적재	FP8	139,349 토큰	78.2 tok/s
Qwen3-8B 8.2B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	182,781 토큰	114.4 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	Q4_K_M	44,216 토큰	39.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	Q4_K_M	44,216 토큰	39.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 3.3 70B Instruct 70.6B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 3.1 405B Instruct 405B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	206,439 토큰	122.3 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q6_K	29,460 토큰	56.8 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	빠듯한 적재 (>90% 사용)	여유 있게 적재	여유 있게 적재	FP16 / BF16	62,191 토큰	113.5 tok/s
Mistral Small 3.1 (24B) 24B · GQA	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	여유 있게 적재	Q6_K	104,285 토큰	56.3 tok/s
Mistral Large 2411 (123B) 123B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Codestral 22B 22.2B · GQA	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	여유 있게 적재	Q6_K	79,389 토큰	53.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	여유 있게 적재	Q6_K	105,810 토큰	57.0 tok/s
GLM-4-32B-0414 32B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q5_K_M	193,562 토큰	52.3 tok/s
GLM-4-9B-0414 9.4B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	639,720 토큰	159.2 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	메모리 부족 (OOM)	여유 있게 적재	여유 있게 적재	FP8	111,784 토큰	71.8 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	226,400 토큰	169.3 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—