GeForce RTX 5090에서 돌아가는 로컬 LLM

시스템 RAM 32GB(DDR5-5600), Windows, 이 GPU로 화면 출력, 8k 컨텍스트, f16 KV 캐시를 기준으로 계산했습니다.

사양

VRAM: 32GB
메모리 대역폭: 1,792.0 GB/s
FP16 연산: 104.8 TFLOPS
출시 연도: 2025
가격: 실거래가 US$4,200 (2026-08-09 기준)

판정 요약

Q4_K_M(없으면 가장 가까운 양자화), 8k 컨텍스트 기준입니다.

쾌적24개원활0개겨우 가능1개불가4개양자화를 더 낮추면 1개가 더 돌아갑니다.

판정 읽는 법

쾌적: GPU에 전부 올라가고 20 tok/s 이상
원활: GPU에 전부 올라가고 8~20 tok/s, MoE 전문가를 시스템 RAM에 두고 20 tok/s 이상, 또는 GPU에 90% 이상 올라가고 8 tok/s 이상
겨우 가능: 2~8 tok/s, CPU 전용, GPU에 90% 미만, 또는 MoE 전문가를 RAM에 두고 20 tok/s 미만
불가: 메모리에 안 들어가거나 2 tok/s 미만

한국 모델

EXAONE, HyperCLOVA X SEED, Kanana, Solar가 이 기기에서 어떻게 돌아가는지 보여 줍니다.

GeForce RTX 5090 전체 모델 판정

dense 모델을 GPU와 CPU에 나눠 올리면 속도가 크게 떨어집니다. 전체 속도가 느린 CPU 쪽에 맞춰지기 때문입니다. 전문가만 시스템 RAM에 두는 MoE 모델은 훨씬 덜 느려집니다.

옆으로 밀면 모든 열을 볼 수 있습니다.

모델 29개(판정·속도 순)
모델	판정	속도	양자화	메모리	실행 방식	컨텍스트	참고
EXAONE 4.0 1.2B	쾌적	추정 955.1 tok/s840.5–1,069.8보정된 추정 ±12%	Q4_K_M	2.5 / 32.0GB	풀 GPU	최대 64k	—
HyperCLOVA X SEED 1.5B	쾌적	추정 691.0 tok/s608.1–773.9보정된 추정 ±12%	Q4_K_M	3.0 / 32.0GB	풀 GPU	최대 16k	—
gpt-oss-20b	쾌적상세	282.3 tok/s8k 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)실측 1건 (2k 컨텍스트)	MXFP4	13.5 / 32.0GB	풀 GPU	최대 128k	리즈닝 모델
Gemma 4 26B-A4B	쾌적	추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	Q4_K_M	18.5 / 32.0GB	풀 GPU	최대 256k	—
Kanana 1.5 15.7B-A3B	쾌적	추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	Q4_K_M	12.7 / 32.0GB	풀 GPU	최대 32k	—
Qwen3 30B-A3B (2507)	쾌적상세	추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	Q4_K_M	20.5 / 32.0GB	풀 GPU	최대 64k	—
Qwen3.5 35B-A3B	쾌적	추정 235.0 tok/s188.0–282.0보정된 추정 ±20%	Q4_K_M	24.0 / 32.0GB	풀 GPU	최대 256k	—
DeepSeek R1 Distill Llama 8B	쾌적	추정 209.3 tok/s184.2–234.4보정된 추정 ±12%	Q4_K_M	7.2 / 32.0GB	풀 GPU	최대 128k	리즈닝 모델
Kanana 1.5 8B	쾌적	추정 209.3 tok/s184.2–234.4보정된 추정 ±12%	Q4_K_M	7.2 / 32.0GB	풀 GPU	최대 32k	—
Llama 3.1 8B	쾌적상세	추정 209.3 tok/s184.2–234.4보정된 추정 ±12%	Q4_K_M	7.2 / 32.0GB	풀 GPU	최대 128k	—
Qwen3.5 9B	쾌적	추정 204.4 tok/s179.8–228.9보정된 추정 ±12%	Q4_K_M	7.3 / 32.0GB	풀 GPU	최대 256k	—
Qwen3 8B	쾌적	추정 201.1 tok/s177.0–225.2보정된 추정 ±12%	Q4_K_M	7.4 / 32.0GB	풀 GPU	최대 32k	—
Gemma 4 12B	쾌적	추정 163.8 tok/s144.2–183.5보정된 추정 ±12%	Q4_K_M	8.8 / 32.0GB	풀 GPU	최대 256k	—
Gemma 3 12B	쾌적상세	추정 160.1 tok/s140.9–179.3보정된 추정 ±12%	Q4_K_M	9.0 / 32.0GB	풀 GPU	최대 128k	—
HyperCLOVA X SEED Think 14B	쾌적	추정 123.0 tok/s86.1–160.0이론 추정 ±30%	Q4_K_M	11.4 / 32.0GB	풀 GPU	최대 128k	리즈닝 모델
Qwen3 14B	쾌적상세	추정 121.3 tok/s106.7–135.8보정된 추정 ±12%	Q4_K_M	11.5 / 32.0GB	풀 GPU	최대 32k	—
Phi-4	쾌적	추정 116.9 tok/s102.9–131.0보정된 추정 ±12%	Q4_K_M	11.9 / 32.0GB	풀 GPU	최대 16k	리즈닝 모델
Mistral Small 3.2 24B	쾌적	추정 80.0 tok/s70.4–89.6보정된 추정 ±12%	Q4_K_M	16.8 / 32.0GB	풀 GPU	최대 64k	—
Gemma 3 27B	쾌적	추정 72.8 tok/s64.1–81.6보정된 추정 ±12%	Q4_K_M	18.4 / 32.0GB	풀 GPU	최대 128k	—
Qwen3.5 27B	쾌적	추정 71.1 tok/s62.6–79.6보정된 추정 ±12%	Q4_K_M	18.8 / 32.0GB	풀 GPU	최대 128k	—
EXAONE 4.0 32B	쾌적	추정 63.1 tok/s55.5–70.7보정된 추정 ±12%	Q4_K_M	21.1 / 32.0GB	풀 GPU	최대 128k	리즈닝 모델
EXAONE 4.5 33B	쾌적	추정 60.9 tok/s53.6–68.2보정된 추정 ±12%	Q4_K_M	21.8 / 32.0GB	풀 GPU	최대 128k	리즈닝 모델
Qwen3 32B	쾌적	추정 57.3 tok/s50.4–64.1보정된 추정 ±12%	Q4_K_M	23.1 / 32.0GB	풀 GPU	최대 32k	—
DeepSeek R1 Distill Qwen 32B	쾌적	추정 57.0 tok/s50.2–63.9보정된 추정 ±12%	Q4_K_M	23.2 / 32.0GB	풀 GPU	최대 32k	리즈닝 모델
Llama 3.3 70B	겨우 가능	추정 2.7 tok/s2.2–3.3보정된 추정 ±20%	Q4_K_M	32.0 / 32.0GB + RAM 14.4GB	부분 오프로드	최대 16k	Q2_K (품질 손실 큼): 쾌적
Qwen3.5 122B-A10B	불가UD-Q2_K_XL (품질 손실 큼): 겨우 가능	추정 33.3 tok/s23.3–43.2이론 추정 ±30%	UD-Q2_K_XL	32.0 / 32.0GB + RAM 12.2GB	부분 오프로드	최대 256k	GPU에 90%도 올라가지 않습니다. 이렇게 GPU와 CPU에 나눠 돌리면 겨우 돌아가는 수준에 그칩니다. RAM 64GB라면: 겨우 가능
gpt-oss-120b	불가상세	—	MXFP4	64.3GB 필요	—	—	약 64.3GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다. RAM 96GB라면: 겨우 가능 리즈닝 모델
Solar Open 100B	불가	—	Q4_K_M	64.4GB 필요	—	—	약 64.4GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다. RAM 64GB라면: 겨우 가능
Solar Open 2 250B	불가	—	IQ4_XS	137.2GB 필요	—	—	약 137.2GB가 필요한데, 쓸 수 있는 VRAM은 31.4GB, 여유 RAM은 28.0GB입니다. RAM 128GB라면: 겨우 가능

리즈닝 모델은 생각하는 데 토큰을 더 쓰기 때문에 속도 기준을 1.5배 엄격하게 잡습니다(30 / 12 / 3 tok/s).

GeForce RTX 5090 벤치마크 결과

보정에 쓰는 공개 벤치마크입니다. 측정 조건(컨텍스트·백엔드·플래그)은 위 추정과 다를 수 있습니다.

GeForce RTX 5090 벤치마크 결과
모델	양자화	백엔드	컨텍스트	프롬프트 (tok/s)	생성 (tok/s)	플래그	출처	측정일
llama-2-7b	Q4_0	llama.cpp	512	14,073.0	290.0	—	github.com	2025-08-01
gpt-oss-20b	MXFP4	llama.cpp	2k	9,841.0	282.3	—	github.com	2025-08-15
Qwen3 8B	Q4_K_XL	llama.cpp	16k	—	145.3	—	hardware-corner.net	2026-08-09
Qwen3 30B-A3B (2507)	Q4_K_XL	llama.cpp	16k	—	141.6	—	hardware-corner.net	2026-08-09
gpt-oss-120b	MXFP4	llama.cpp	4k	—	9.6	--n-cpu-moe 21, DDR4 server	hardware-corner.net	2026-08-09

자주 묻는 질문

GeForce RTX 5090에 통째로 올라가는 가장 큰 모델은 무엇인가요?

Qwen3.5 35B-A3B Q4_K_M(22.63GB 파일)입니다. 8k 컨텍스트에서 32GB에 전부 올라가고, 속도는 추정 235.0 tok/s (188.0–282.0, 보정된 추정 ±20%)입니다.

GeForce RTX 5090에서 원활하게 돌아가는 로컬 LLM은 몇 개인가요?

Q4_K_M·8k 컨텍스트 기준으로 등록된 모델 29개를 보면 쾌적 24개, 원활 0개, 겨우 가능 1개, 불가 4개입니다.

GeForce RTX 5090에서 Llama 3.3 70B 같은 70B 모델을 돌릴 수 있나요?

Q4_K_M, 부분 오프로드 기준 판정: 겨우 가능, 속도: 추정 2.7 tok/s (2.2–3.3, 보정된 추정 ±20%).

속도는 메모리 대역폭으로 계산한 추정치를 공개 벤치마크로 보정한 값입니다. 모든 수치에는 오차 범위와 신뢰 라벨을 함께 표시합니다. 실제 속도는 드라이버, 백엔드, 컨텍스트 길이, 발열에 따라 달라집니다.