Tesla V100 32G 跑 27B 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	Q6_K	22.1	0.72	23.9	能跑但紧	23–33	llama.cpp 单卡（降 KV 量化可再 25%）
16K	Q6_K	22.1	1.66	24.8	能跑但紧	22–31	llama.cpp 单卡（降 KV 量化可再 25%）
32K	Q6_K	22.1	2.91	26	能跑但紧	21–29	llama.cpp 单卡（降 KV 量化可再 25%）
64K	Q6_K	22.1	5.41	28.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K	Q6_K	22.1	10.41	33.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q6_K	22.1	20.41	43.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	Q5_K_M	18.9	0.72	20.6	能跑但紧	27–38	llama.cpp 单卡（降 KV 量化可再 25%）
16K	Q5_K_M	18.9	1.66	21.6	能跑但紧	26–36	llama.cpp 单卡（降 KV 量化可再 25%）
32K	Q5_K_M	18.9	2.91	22.8	能跑但紧	24–33	llama.cpp 单卡（降 KV 量化可再 25%）
64K	Q5_K_M	18.9	5.41	25.3	能跑但紧	21–29	llama.cpp 单卡（降 KV 量化可再 25%）
128K	Q5_K_M	18.9	10.41	30.3	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q5_K_M	18.9	20.41	40.3	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	Q4_K_M	16.2	0.72	17.9	流畅	31–44	llama.cpp 单卡即可；多并发换 vLLM
16K	Q4_K_M	16.2	1.66	18.9	流畅	29–41	llama.cpp 单卡即可；多并发换 vLLM
32K	Q4_K_M	16.2	2.91	20.1	流畅	27–38	llama.cpp 单卡即可；多并发换 vLLM
64K	Q4_K_M	16.2	5.41	22.6	能跑但紧	23–32	llama.cpp 单卡（降 KV 量化可再 25%）
128K	Q4_K_M	16.2	10.41	27.6	能跑但紧	18–25	llama.cpp 单卡（降 KV 量化可再 25%）
256K 超原生·rope外推	Q4_K_M	16.2	20.41	37.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ4_XS	14.3	0.72	16.1	流畅	35–50	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ4_XS	14.3	1.66	17	流畅	33–46	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ4_XS	14.3	2.91	18.3	流畅	30–41	llama.cpp 单卡即可；多并发换 vLLM
64K	IQ4_XS	14.3	5.41	20.8	能跑但紧	25–35	llama.cpp 单卡（降 KV 量化可再 25%）
128K	IQ4_XS	14.3	10.41	25.8	能跑但紧	19–26	llama.cpp 单卡（降 KV 量化可再 25%）
256K 超原生·rope外推	IQ4_XS	14.3	20.41	35.8	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ3_K	11.8	0.72	13.5	流畅	42–60	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ3_K	11.8	1.66	14.5	流畅	39–54	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ3_K	11.8	2.91	15.7	流畅	34–48	llama.cpp 单卡即可；多并发换 vLLM
64K	IQ3_K	11.8	5.41	18.2	流畅	28–39	llama.cpp 单卡即可；多并发换 vLLM
128K	IQ3_K	11.8	10.41	23.2	能跑但紧	21–29	llama.cpp 单卡（降 KV 量化可再 25%）
256K 超原生·rope外推	IQ3_K	11.8	20.41	33.2	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ3_XXS	10.2	0.72	11.9	流畅	48–68	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ3_XXS	10.2	1.66	12.8	流畅	44–61	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ3_XXS	10.2	2.91	14.1	流畅	38–53	llama.cpp 单卡即可；多并发换 vLLM
64K	IQ3_XXS	10.2	5.41	16.6	流畅	31–43	llama.cpp 单卡即可；多并发换 vLLM
128K	IQ3_XXS	10.2	10.41	21.6	能跑但紧	22–31	llama.cpp 单卡（降 KV 量化可再 25%）
256K 超原生·rope外推	IQ3_XXS	10.2	20.41	31.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡

KV 列按模型架构常数实算（全注意力层线性，62 层中 10 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/google/gemma-3-27b-it —— 权重、模型卡与 config.json 权威源（KV/层数等架构常数从这里核对）。
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。