Aller au contenu
Run LLM Locally

Llama 2 7B sur une RTX 4060

Avec ses 8 Go de VRAM, la RTX 4060 fait tourner Llama 2 7B en Q4_0 entièrement sur le GPU avec un contexte de 8K (environ 6,5 Go nécessaires). En Q8_0, il ne tient pas en VRAM.

PartagerFacebookXWhatsAppLinkedInE-mail

Llama 2 7B

Q4_0 · 4K contexte

Compatible

Le contexte demandé (8 192 tokens) dépasse celui du modèle ; 4 096 tokens ont été utilisés.

Le modèle demande environ 6,5 Go et tient dans les 7,7 Go disponibles (1,1 Go restants).

Votre matériel
RTX 4060 8 Go · 64 Go RAM
Mémoire estimée
~6,5 Go estimation
VRAM (mémoire utilisable)
7,7 Go
GPU seul
Oui
Offload CPU/GPU
Non nécessaire
Vitesse de génération
19–65 tok/s estimation
Plus grand contexte en mémoire rapide
4K tokens
Confiance : moyenne

Basé sur : même modèle · même quantification · autre matériel, ramené à la bande passante mémoire · 32 benchmark(s)

Répartition de la mémoire

~6,5 Go (6,1 Go–7,1 Go) nécessaires · estimation

Tient entièrement en VRAM · 1,1 Go libres

  • Poids du modèle3,6 Go
  • Cache KV2 Go
  • Surcoût runtime0,6 Go
  • Marge de sécurité0,3 Go
Hypothèses: contexte 4K tokens · cache KV f16 · llama.cpp (CUDA) · flash attention activée · poids estimés à 4,64 bits par poids × 6,74 Md de paramètres (taille réelle du fichier pas encore importée)

EstimationDonnées mises à jour il y a 24 joursSource: moteur Run LLM Locally, GGUF header of TheBloke/Llama-2-7B-GGUF (llama-2-7b.Q4_0.gguf) + Hugging Face API (parameter count)

Ce qui rend cette estimation moins fiable

  • taille du fichier estimée, pas mesurée
  • extrapolé depuis un autre matériel

Les autres quantifications sur la RTX 4060

Llama 2 7B sur RTX 4060 + 64 Go de RAM · contexte 8K
Llama 2 7B Q8_04K~9,7 Go · 7,5–15 tok/s estimationOffload CPU/GPU

Alternatives

Les GPU qui font tourner Llama 2 7B Q4_0 entièrement en VRAM

D'autres modèles adaptés à la RTX 4060

Où acheter une RTX 4060

Les prix et les liens suivent le marché choisi.

GeForce RTX 4060

8 Go GDDR6 · 272 Go/s · 115 W

CompatibleFait tourner Llama 2 7B Q4_0 entièrement en mémoire

Prix indisponible

Disponibilité inconnue

Voir sur amazon.fr

Lien affilié

Aucune offre importée pour ce marché : le lien ouvre une recherche sur la boutique.

Questions fréquentes

La RTX 4060 peut-elle faire tourner Llama 2 7B ?
Le contexte demandé (8 192 tokens) dépasse celui du modèle ; 4 096 tokens ont été utilisés. Le modèle demande environ 6,5 Go et tient dans les 7,7 Go disponibles (1,1 Go restants).
Quelle quantification choisir sur la RTX 4060 ?
Aucune ne tient entièrement en VRAM à 8K ; la plus petite, Q8_0, demande encore un offload.
Quel est le plus grand contexte possible sur la RTX 4060 ?
En Q4_0, environ 4K tokens tiennent entièrement en VRAM avec un cache KV en f16. Un cache KV en q8_0 double à peu près ce chiffre.
À quelle vitesse tourne Llama 2 7B (RTX 4060) ?
Nous estimons 19–65 tok/s (estimation, confiance moyenne). Basé sur : même modèle, même quantification, autre matériel, ramené à la bande passante mémoire, 32 benchmark(s).