RTX 4090 48G 跑 8B 模型，能跑多少 token？
口径：Windows 水位（WDDM 桌面合成器实测占用 0.5–1.5GB，取 12% 余量）＋1G 框架开销；速度 = 带宽×效率÷每 token 读取字节数，粗算 ±30%，非实测。实测投稿见页尾。
量化 × 上下文 × 状态 × 估算速度
| 上下文 | 量化档 | 权重 G | KV G | 总需求 G | 状态 | 估算 tok/s（±30%） | 框架建议 |
|---|---|---|---|---|---|---|---|
| 4K | Q8_0 | 8.5 | 0.5 | 10 | 流畅 | 66–93 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | Q8_0 | 8.5 | 2 | 11.5 | 流畅 | 54–76 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | Q8_0 | 8.5 | 4 | 13.5 | 流畅 | 44–60 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | Q8_0 | 8.5 | 8 | 17.5 | 流畅 | 32–43 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | Q8_0 | 8.5 | 16 | 25.5 | 流畅 | 20–27 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | Q8_0 | 8.5 | 32 | 41.5 | 能跑但紧 | 12–16 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | Q6_K | 6.6 | 0.5 | 8.1 | 流畅 | 84–118 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | Q6_K | 6.6 | 2 | 9.6 | 流畅 | 66–91 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | Q6_K | 6.6 | 4 | 11.6 | 流畅 | 51–70 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | Q6_K | 6.6 | 8 | 15.6 | 流畅 | 35–48 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | Q6_K | 6.6 | 16 | 23.6 | 流畅 | 22–29 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | Q6_K | 6.6 | 32 | 39.6 | 能跑但紧 | 12–17 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | Q5_K_M | 5.6 | 0.5 | 7.1 | 流畅 | 97–136 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | Q5_K_M | 5.6 | 2 | 8.6 | 流畅 | 73–102 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | Q5_K_M | 5.6 | 4 | 10.6 | 流畅 | 55–76 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | Q5_K_M | 5.6 | 8 | 14.6 | 流畅 | 37–51 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | Q5_K_M | 5.6 | 16 | 22.6 | 流畅 | 22–30 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | Q5_K_M | 5.6 | 32 | 38.6 | 能跑但紧 | 13–17 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | Q4_K_M | 4.8 | 0.5 | 6.3 | 流畅 | 111–156 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | Q4_K_M | 4.8 | 2 | 7.8 | 流畅 | 81–112 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | Q4_K_M | 4.8 | 4 | 9.8 | 流畅 | 60–82 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | Q4_K_M | 4.8 | 8 | 13.8 | 流畅 | 39–53 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | Q4_K_M | 4.8 | 16 | 21.8 | 流畅 | 23–31 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | Q4_K_M | 4.8 | 32 | 37.8 | 能跑但紧 | 13–17 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | IQ4_XS | 4.3 | 0.5 | 5.8 | 流畅 | 123–173 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | IQ4_XS | 4.3 | 2 | 7.3 | 流畅 | 87–121 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | IQ4_XS | 4.3 | 4 | 9.3 | 流畅 | 63–86 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | IQ4_XS | 4.3 | 8 | 13.3 | 流畅 | 41–55 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | IQ4_XS | 4.3 | 16 | 21.3 | 流畅 | 24–32 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | IQ4_XS | 4.3 | 32 | 37.3 | 能跑但紧 | 13–17 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | IQ3_K | 3.5 | 0.5 | 5 | 流畅 | 145–200 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | IQ3_K | 3.5 | 2 | 6.5 | 流畅 | 98–135 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | IQ3_K | 3.5 | 4 | 8.5 | 流畅 | 68–93 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | IQ3_K | 3.5 | 8 | 12.5 | 流畅 | 43–58 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | IQ3_K | 3.5 | 16 | 20.5 | 流畅 | 24–33 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | IQ3_K | 3.5 | 32 | 36.5 | 能跑但紧 | 13–18 | llama.cpp 单卡（降 KV 量化可再 25%） |
| 4K | IQ3_XXS | 3 | 0.5 | 4.5 | 流畅 | 164–200 | llama.cpp 单卡即可；多并发换 vLLM |
| 16K | IQ3_XXS | 3 | 2 | 6 | 流畅 | 106–146 | llama.cpp 单卡即可；多并发换 vLLM |
| 32K | IQ3_XXS | 3 | 4 | 8 | 流畅 | 72–99 | llama.cpp 单卡即可；多并发换 vLLM |
| 64K | IQ3_XXS | 3 | 8 | 12 | 流畅 | 44–60 | llama.cpp 单卡即可；多并发换 vLLM |
| 128K | IQ3_XXS | 3 | 16 | 20 | 流畅 | 25–33 | llama.cpp 单卡即可；多并发换 vLLM |
| 256K 超原生·rope外推 | IQ3_XXS | 3 | 32 | 36 | 能跑但紧 | 13–18 | llama.cpp 单卡（降 KV 量化可再 25%） |
KV 列按模型架构常数实算（全注意力层线性，32 层中 32 层需全量 KV）；粗算口径，误差 ±30%，标注 超原生 的行需要模型本身支持 rope 外推才真实可用。
实测锚点：这个组合已有的真机数字
本组合暂无真机记录。上表全是公式推算——不是我们藏着实测，是确实还没有。有这个组合真机输出的同学，上传实测数据，核实后上表并署名。
投机解码
LLaMA 系可用外置 draft 小模型投机解码：llama.cpp 加 --model-draft，vLLM 用 --speculative-config；本模型无原生 MTP 层。
四大主流框架怎么跑这个组合
| 框架 | 方式 | 显存开销 | 量化支持 | 启动命令模板 |
|---|---|---|---|---|
| llama.cpp | CLI / llama-server | 约 0.3–1.0G | GGUF 全系（IQ2_XXS…Q8_0） | llama-server -m <model>.gguf -ngl 99 -c 32768 --cache-type-k q8_0 |
| vLLM | 服务化 / 多并发 | 约 1–2G | AWQ / GPTQ / FP8 / GGUF（新版） | vllm serve <HF-repo> --max-model-len 32768 --gpu-memory-utilization 0.92 |
| Ollama | 一键桌面 | 约 0.5–1.5G | Q4_K_M / Q8_0 等预设档 | ollama run qwen3:8b |
| LM Studio | 图形界面 | 约 1–2G | GGUF 主流档 | （界面加载 GGUF 即可，无命令行） |
量化档最全、显存最省；单流速度上限高，多并发弱。投机解码用 --model-draft 小 draft 模型。 并发吞吐高、PagedAttention 省 KV；显存调度激进，小卡反而吃亏。投机用 --speculative-config。 部署最简单（Windows/macOS/Linux），档位少、可控参数少；本质是 llama.cpp 封装。 非技术用户首选；显存水位比同引擎 llama.cpp 略高（桌面 + JIT）。
来源链接（我们只整理，不抄数字）
- 模型官方仓库：huggingface.co/meta-llama/Llama-3.1-8B-Instruct —— 权重、模型卡与 config.json 权威源（KV/层数等架构常数从这里核对）。 该模型 GGUF 元数据实测：32 层、KV 头 8、head_dim 128、原生上下文 128K。
- llama.cpp 性能与量化文档 —— 框架参数/量化定义权威源。
- vLLM 文档 —— 显存调度/投机解码参数。
- Qwen 官方仓库 —— 模型卡与 config.json 权威源。
- 实测投稿：本表 tok/s 全为公式推算。有真机输出（框架版本 + 量化 + 上下文 + `llama-bench` 曲线）的同学，可上传实测数据，核实后上表并署名。