VRAM de Gemma 3 12B IT (Multimodal), Tamanhos GGUF e Guia de…

Simulador Interativo de Memória e Contexto para Gemma 3 12B IT (Multimodal)

Quantização de Pesos (bpw)

Precisão do Cache KV

GPU Alvo / Nível de Memória Unificada

Dispositivos (TP)

Tamanho do Contexto (tokens) 32,768 tokens

Detalhamento de Memória e Teto de Largura de Banda

Ajuste Apertado (>90% Útil)

Pesos do Modelo: 65.4% KV: 22% Overhead: 12.6%

Memória Total Necessária

10.53 GB

Alocação por Dispositivo: 10.53 GB

Pesos do Modelo

6.89 GB

Cache KV (FP16): 2.31 GB

Decodificação Est. (1 Fluxo)

22.8 tok/s

Sobrecarga de Runtime e TP: 1.33 GB

Contexto Máx. Antes de OOM

9,762

tokens

A compressão arquitetural de KV economiza 90.4% vs MHA FP16 ingênuo (24.00 GB).

Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)

Memória total de GPU exigida por precisão de pesos e tamanho de contexto (batch = 1, cache KV FP16)
Precisão / Formato	bpw Efetivo	Apenas Pesos	Total @ 8K ctx	Total @ 32K ctx	Total @ 128K ctx	Nível Recomendado (@ 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

Compatibilidade de Hardware e Velocidade de Decodificação (Gemma 3 12B IT (Multimodal) @ Q4_K_M, 32K)

Status de ajuste, uso de memória e vazão estimada de decodificação nas principais GPUs e Apple Silicon
Nível de Hardware	Memória e Banda	Exigido (32K)	Veredito de Ajuste	Velocidade Est.
RTX 3090 24GB	24 GB · 936 GB/s	10.53 GB (44%)	Cabe com Folga	59.3 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	10.53 GB (44%)	Cabe com Folga	63.8 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	10.53 GB (33%)	Cabe com Folga	113.5 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	10.09 GB (16%)	Cabe com Folga	32.5 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	10.09 GB (8%)	Cabe com Folga	32.5 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	10.09 GB (5%)	Cabe com Folga	47.7 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	10.53 GB (13%)	Cabe com Folga	136.7 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	10.53 GB (13%)	Cabe com Folga	224.6 tok/s

Parâmetros Verificados da Arquitetura Transformer

Checkpoint ID: google/gemma-3-12b-it
Ollama Tag: gemma3:12b
License / Release: Gemma Terms · 2025-Q1
Topologia e Atenção: Transformer Denso
Mecanismo de Atenção: Janela Deslizante Híbrida (SWA)
Parâmetros Totais (B): 12.2B
Parâmetros Ativos / Token (B): 12.2B
Camadas Ocultas / Dimensão Oculta: 48 / 3840
Cabeças de Consulta / Cabeças KV: 16Q / 8KV (d=256)
Sliding Window: 1024 (83% local)
Vocab / Max Position: 262,208 / 131,072

Formatos quantizados armazenam fatores de escala e pontos zero por bloco junto aos pesos inteiros compactados. Um checkpoint GGUF Q4_K_M de 4 bits tem média de 4,85 bits efetivos por parâmetro (e não 4,00), enquanto Q8_0 tem média de 8,50 bpw. Em modelos Mixture-of-Experts, todos os especialistas roteados e compartilhados permanecem residentes na memória para evitar paginação a cada token.

O Grouped-Query Attention padrão aloca 2 × L × H_kv × d_head × S × B × bytes_kv entre as camadas. O DeepSeek Multi-head Latent Attention (MLA) comprime chaves e valores em L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, cortando a memória de contexto longo em mais de 90%. Modelos híbridos de janela deslizante limitam camadas de atenção local a min(S, window_size) enquanto escalam camadas globais linearmente com S.

Comandos Rápidos de vLLM e Ollama para 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