Llama 3.1 8B 如何本地部署？
Llama 3.1 8B 是 8B 參數的稠密模型。Q4 量化最低需要 7GB 記憶體，8K 上下文下建議 8GB。目前最便宜能跑的顯示卡是 Tesla V100 16GB，約 NT$20,739，預估 112.9 tokens/s。
Llama 3.1 8B 版本資訊
Q4 最低記憶體7 GB · Q4_K_M · 8K
參數量8B
層數32
隱藏維度4,096
KV 頭8
頭維度128
上下文上限128K
廠商Meta AI
Llama 3.1 8B 本地部署需要多少顯示記憶體？
| 量化 | 權重體積GB | 8K 總記憶體GB | 32K 總記憶體GB | 128K 總記憶體GB |
|---|---|---|---|---|
| 1-bit | 1.9估 | 3.9 | 6.9 | 18.9 |
| 2-bit | 3.7GGUF | 5 | 8 | 20 |
| 3-bit | 4.8GGUF | 5.8 | 8.8 | 20.8 |
| 4-bit | 4.9GGUF | 6.5 | 9.5 | 21.5 |
| 5-bit | 5.7GGUF | 7.4 | 10.4 | 22.4 |
| 8-bit | 8.5GGUF | 10.3 | 13.3 | 25.3 |
| FP16 | 15.7估 | 17.7 | 20.7 | 32.7 |
總記憶體 = 權重 + KV cache（FP16）+ 1GB 執行開銷。標 GGUF 的權重是倉庫裡的實測檔案體積，標「估」的按每參數位元組估算。超過這個模型 128K 上下文上限的檔位寫「—」。各檔取倉庫裡該位元數的任一檔案，優先 unsloth 動態量化，所以同一檔不同模型對應的檔名可能不同。
什麼顯示卡能跑 Llama 3.1 8B？
AmazonJP
| 裝置 | 顯存GB | 價 | 預估 t/s | 建議上下文 |
|---|---|---|---|---|
 Tesla V100 16GB | 16 | NT$20,7394 筆掛單 | 112.9 | 32K |
 Radeon RX 9070 XT | 16 | NT$27,8358 筆掛單 | 60 | 32K |
| GeForce RTX 5060 Ti 16GB | 16 | NT$29,0919 筆掛單 | 58.9 | 32K |
| GeForce RTX 5070 | 12 | NT$30,07910 筆掛單 | 86.3 | 32K |
| Radeon RX 7800 XT | 16 | NT$30,40510 筆掛單 | 58.6 | 32K |
| Tesla V100 32GB | 32 | NT$35,9033 筆掛單 | 112.9 | 128K |
 Arc Pro B60 | 24 | NT$36,6353 筆掛單 | 39.2 | 128K |
| Radeon RX 7900 XT | 20 | NT$39,1349 筆掛單 | 74.1 | 32K |
| Radeon RX 6950 XT | 16 | NT$44,1834 筆掛單 | 54.3 | 32K |
| GeForce RTX 5070 Ti | 16 | NT$49,60110 筆掛單 | 112.4 | 32K |
| Radeon RX 7900 XTX | 24 | NT$54,6829 筆掛單 | 87.9 | 128K |
| GeForce RTX 5080 | 16 | NT$58,7724 筆掛單 | 119.7 | 32K |
| Arc Pro B70 | 32 | NT$65,2603 筆掛單 | 51.7 | 128K |
| GeForce RTX 4080 | 16 | NT$68,8308 筆掛單 | 91.6 | 32K |
| Radeon AI PRO R9700 | 32 | NT$70,6046 筆掛單 | 60 | 128K |
| GeForce RTX 3090 | 24 | NT$79,3119 筆掛單 | 117 | 128K |
| Ryzen AI Max+ 395 128GB | 128 | NT$123,1346 筆掛單 | 24.7 | 128K |
| RTX PRO 4000 Blackwell | 24 | NT$124,4815 筆掛單 | 86.3 | 128K |
| GeForce RTX 4090 | 24 | NT$154,3509 筆掛單 | 125.1 | 128K |
| GeForce RTX 5090 | 32 | NT$235,6699 筆掛單 | 206.3 | 128K |
| DGX Spark 128GB | 128 | NT$258,7793 筆掛單 | 36.5 | 128K |
| GeForce RTX 2080 Ti 22GB | 22 | —暫無掛單 | 79.5 | 128K |
| GeForce RTX 5090 D V2 | 24 | —暫無掛單 | 161.4 | 128K |
| Arc Pro B65 | 32 | —暫無掛單 | 51.7 | 128K |
| GeForce RTX 4080 SUPER 32GB | 32 | —暫無掛單 | 93.9 | 128K |
| GeForce RTX 5090 D | 32 | —暫無掛單 | 206.3 | 128K |
| Instinct MI100 | 32 | —暫無掛單 | 110.3 | 128K |
| Instinct MI50 32GB | 32 | —暫無掛單 | 93.3 | 128K |
| Radeon PRO W7800 | 32 | —暫無掛單 | 54.3 | 128K |
| RTX PRO 4500 Blackwell | 32 | —暫無掛單 | 112.4 | 128K |
| A100 40GB PCIe | 40 | —暫無掛單 | 183 | 128K |
| CMP 170HX 40GB | 40 | —暫無掛單 | 183.5 | 128K |
| GeForce RTX 4090 48GB | 48 | —暫無掛單 | 125.1 | 128K |
| Radeon PRO W7900 | 48 | —暫無掛單 | 79.7 | 128K |
| RTX PRO 5000 Blackwell 48GB | 48 | —暫無掛單 | 161.4 | 128K |
| CMP 170HX 64GB | 64 | —暫無掛單 | 176.7 | 128K |
| Instinct MI210 | 64 | —暫無掛單 | 142.9 | 128K |
| RTX PRO 5000 Blackwell 72GB | 72 | —暫無掛單 | 161.4 | 128K |
| RTX PRO 6000D | 84 | —暫無掛單 | 184.3 | 128K |
| RTX PRO 6000 Blackwell | 96 | —暫無掛單 | 206.3 | 128K |
| Mac Studio M4 Max 128GB | 128 | —暫無掛單 | 56.5 | 128K |
| Mac Studio M5 Max 128GB | 128 | —暫無掛單 | 63.2 | 128K |
| MacBook Pro M4 Max 128GB | 128 | —暫無掛單 | 56.5 | 128K |
| MacBook Pro M5 Max 128GB | 128 | —暫無掛單 | 63.2 | 128K |
| Mac Studio M3 Ultra 512GB | 512 | —暫無掛單 | 82.8 | 128K |
判定口徑：權重 + KV cache + 執行開銷 ≤ 可用記憶體，單卡。MoE 模型標「卸載」表示把專家權重放進系統記憶體後能跑（顯存只放注意力層與 KV cache），速度按記憶體頻寬 70 GB/s 估算。上下文欄給的是能裝下的最大檔位。
用 Ollama / llama.cpp / vLLM 本地部署 Llama 3.1 8B
Ollama
Ollama 一行指令拉起，量化檔位由官方標籤決定。
ollama run llama3.1:8b
llama.cpp
llama.cpp 直接從 Hugging Face 拉 GGUF，-c 是上下文長度。
llama-server -hf bartowski/Meta-Llama-3.1-8B-Instruct-GGUF:Q4_K_M -c 8192
vLLM
vLLM 跑的是原始精度權重，記憶體需求比 GGUF 高得多，通常要多卡。
vllm serve meta-llama/Llama-3.1-8B-Instruct
量化檔名以模型庫當週抓取為準，口徑見資料方法。 資料方法
常見問題
Llama 3.1 8B 需要多少記憶體？
在 Q4_K_M 量化、8K 上下文下 Llama 3.1 8B 約需 7GB 記憶體，留到 8GB 更穩。
哪張顯示卡最便宜能跑 Llama 3.1 8B？
Tesla V100 16GB，16GB 記憶體，目前中位價約 NT$20,739，預估 112.9 tokens/s。
Llama 3.1 8B 能用 Ollama 跑嗎？
能，指令是 ollama run llama3.1:8b。