上传实测

Llama 3.1 8B Instruct旧代际

Llama · 8B 参数 · dense · GQA · 开源 2024-07 · 英文生态最大 / 128K 原生 / 中文弱 / HF 权重需申请授权（gated=manual）

关于 Llama 3.1 8B Instruct 的完整介绍（点开看；上面就是结论表）

32 层 8 KV 头，4K 花 0.50G，原生 128K。中文能力不如同量级 Qwen3，但工具调用与英文生态最厚。【权重需申请授权】该仓 **gated=manual**（2026-11-13 实测：API 200、gated=manual）——仓在、模型卡能看，但**权重需要登录 HF 申请授权才能下载**。所以本页给的 `huggingface-cli download` / `vllm serve` 命令要等你拿到授权才有效；不想等授权就走 Ollama 标签或第三方 GGUF 仓（本站已核的量化体积另列在重量行）。

实测速度：什么卡、什么量化、多少 token

这一模型还没有实测条目。
上传实测数据

每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。

速查：什么卡、跑多少 token

AMD R9 295X2 8G装不下（8G · 推算）
NVIDIA RTX 5070 12G47–67 t/s（12G · 推算）
AMD Radeon VII 16G72–102 t/s（16G · 推算）
NVIDIA RTX 4090 24G71–101 t/s（24G · 推算）
NVIDIA RTX 5090 32G126–179 t/s（32G · 推算）
NVIDIA RTX PRO 5000 Blackwell 48G（工作站）95–134 t/s（48G · 推算）

推算值按 Q8_0、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。

架构常数（已核实）

层数32
KV 头数8
每头维度128
需全量 KV 的层32 / 32
滑窗长度无（全层线性）
原生上下文上限128K
KV 每 4K（FP16）0.5 G
KV 每 1K token0.13 G

来源：meta-llama/Llama-3.1-8B-Instruct / config.json（抓取于 2026-11-02）。KV 公式：2 × 层数 × KV头数 × 头维 × 精度字节 × token（滑窗层按 — 封顶）。

上下文档位（按 Q8_0）

上下文KV总需显存16G 水位内
4K0.5 G10 G够
8K1 G10.5 G够
32K4 G13.5 G够
128K16 G25.5 G超

* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。

各显存档位能开多大

显存推荐量化8K 总需最多可开
4G装不下——
6GIQ3_XXS（估算）5G10240（约 10K）
8GQ4_K_M（估算）6.8G9728（约 10K）
10GQ6_K（估算）8.6G9728（约 10K）
11GQ6_K（估算）8.6G17408（约 17K）
12GQ8_0（估算）10.5G8704（约 9K）
16GQ8_0（估算）10.5G37376（约 37K）
20GQ8_0（估算）10.5G66048（约 65K）
22GQ8_0（估算）10.5G80896（约 79K）
24GQ8_0（估算）10.5G94720（约 93K）
32GQ8_0（估算）10.5G131072（约 128K）
48GQ8_0（估算）10.5G131072（约 128K）
64GQ8_0（估算）10.5G131072（约 128K）
96GQ8_0（估算）10.5G131072（约 128K）
128GQ8_0（估算）10.5G131072（约 128K）
256GQ8_0（估算）10.5G131072（约 128K）
512GQ8_0（估算）10.5G131072（约 128K）

「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 200 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。

估算速度（Q8_0 · 8K）

推算 本站暂无这一模型的实测记录。

显卡状态估算 tok/s
NVIDIA RTX 5090 32G流畅126–179
NVIDIA RTX 5090 D 32G流畅126–179
NVIDIA CMP 170HX 64G（矿卡魔改）流畅105–149
NVIDIA RTX PRO 5000 Blackwell 48G（工作站）流畅95–134
AMD Instinct MI100 32G（老数据中心卡）流畅87–123
AMD Instinct MI50 32G（数据卡）流畅72–102
AMD Radeon VII 16G能跑但紧72–102
NVIDIA RTX 4090 24G流畅71–101
NVIDIA RTX 3090 Ti 24G流畅71–101

同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 10.5G，对比各卡可用水位。

实测数据区

暂无实测数据。
上传实测数据

推理框架命令

llama.cpp

# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download meta-llama/Llama-3.1-8B-Instruct config.json
#   GGUF 量化版通常在第三方转换仓库，搜「meta-llama/Llama-3.1-8B-Instruct GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m LLAMA-3.1-8B-INSTRUCT-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080

Ollama

ollama run llama3.1:8b

标签按 Ollama 库命名习惯整理，若拉取失败请 `ollama pull` 搜同名前缀；Ollama 会自行决定量化档与显存分配。

vLLM

vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve meta-llama/Llama-3.1-8B-Instruct --max-model-len 8192 --gpu-memory-utilization 0.90

LM Studio

模型页搜「meta-llama/Llama-3.1-8B-Instruct」→ 选 Q8_0 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大

仓库名 meta-llama/Llama-3.1-8B-Instruct 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。

优化要点

相关

16G 显存有哪些卡看 Llama 3.1 8B Instruct 在 16G 这一档和别的卡/模型比是什么位置装不下 / out of memory 怎么排查先确认是权重超容量还是上下文吃光了余量小模型跑 Q8、大模型跑 Q4 对不对？量化档应该由剩余显存决定，不是由参数量决定

有 Llama 3.1 8B Instruct 的实测数据？

上传速度 → 进入实测表，并成为这一页的第一行实测。

上传实测数据
这条内容有帮助吗？