Llama 3.1 8B 本地部署需要多少显存？
看能跑的设备Llama 3.1 8B 是 8B 参数的稠密模型。Q4 量化最低需要 7GB 显存，8K 上下文下推荐 8GB。当前最便宜能跑的显卡是 GeForce RTX 2080 Ti，二手约 ¥1,680，预估 79.5 tokens/s。
Llama 3.1 8B 版本信息
发布日期2024年7月18日
Hugging Face 仓库meta-llama/Llama-3.1-8B-Instruct
小版本—
架构稠密
Ollama 标签llama3.1:8b
30 天下载5,734,979
Q4 最低显存7 GB · Q4_K_M · 8K
参数量8B
层数32
隐藏维度4,096
KV 头8
头维度128
上下文上限128K
厂商Meta AI
Llama 3.1 8B 各量化与上下文的显存需求
8K 总显存| 量化 | 权重体积GB | 8K 总显存GB | 32K 总显存GB | 128K 总显存GB |
|---|---|---|---|---|
| Q4_K_M | 4.9GGUF | 6.5 | 9.5 | 21.5 |
| Q5_K_M | 5.7GGUF | 7.4 | 10.4 | 22.4 |
| Q8_0 | 8.5GGUF | 10.3 | 13.3 | 25.3 |
| FP16 | 15.7估 | 17.7 | 20.7 | 32.7 |
总显存 = 权重 + KV cache（FP16）+ 1GB 运行开销。标 GGUF 的权重是仓库里的实测文件体积，标「估」的按每参数字节估算。超过这个模型 128K 上下文上限的档位写「—」。
什么显卡能跑 Llama 3.1 8B？
Q4_K_M · 8K 上下文 · 按闲鱼二手价升序| 设备 | 显存GB | 二手价 | 预估 t/s | 建议上下文 |
|---|---|---|---|---|
 GeForce RTX 2080 Ti | 11 | ¥1,6807 条挂牌 | 79.5 | 32K |
 Radeon RX 7800 XT | 16 | ¥2,60014 条挂牌 | 58.6 | 32K |
| Radeon RX 7900 XT | 20 | ¥3,99918 条挂牌 | 74.1 | 32K |
| Radeon RX 9070 XT | 16 | ¥5,23013 条挂牌 | 60 | 32K |
 Arc Pro B60 | 24 | ¥5,2999 条挂牌 | 39.2 | 128K |
| Radeon RX 7900 XTX | 24 | ¥5,50018 条挂牌 | 87.9 | 128K |
| GeForce RTX 4080 | 16 | ¥7,59012 条挂牌 | 91.6 | 32K |
| GeForce RTX 3090 | 24 | ¥8,0498 条挂牌 | 117 | 128K |
| GeForce RTX 5070 Ti | 16 | ¥8,6444 条挂牌 | 112.4 | 32K |
| Arc Pro B70 | 32 | ¥9,9997 条挂牌 | 51.7 | 128K |
| Radeon PRO W7800 | 32 | ¥10,1004 条挂牌 | 54.3 | 128K |
| CMP 170HX 40GB (改装) | 40 | ¥10,8004 条挂牌 | 183.5 | 128K |
| GeForce RTX 5080 | 16 | ¥11,5007 条挂牌 | 119.7 | 32K |
| Radeon AI PRO R9700 | 32 | ¥11,9003 条挂牌 | 60 | 128K |
| CMP 170HX 64GB (改装) | 64 | ¥12,8504 条挂牌 | 176.7 | 128K |
| RTX PRO 4000 Blackwell | 24 | ¥15,80010 条挂牌 | 86.3 | 128K |
| Instinct MI210 | 64 | ¥18,50017 条挂牌 | 142.9 | 128K |
| Radeon PRO W7900 | 48 | ¥22,0005 条挂牌 | 79.7 | 128K |
| GeForce RTX 4090 | 24 | ¥22,8005 条挂牌 | 125.1 | 128K |
| GeForce RTX 5090 D V2 | 24 | ¥25,00016 条挂牌 | 161.4 | 128K |
| GeForce RTX 4090 48GB (改装) | 48 | ¥25,5003 条挂牌 | 125.1 | 128K |
| RTX PRO 4500 Blackwell | 32 | ¥25,8508 条挂牌 | 112.4 | 128K |
| GeForce RTX 5090 D | 32 | ¥30,9007 条挂牌 | 206.3 | 128K |
| A100 40GB PCIe | 40 | ¥38,5004 条挂牌 | 183 | 128K |
| GeForce RTX 5090 | 32 | ¥39,7504 条挂牌 | 206.3 | 128K |
| RTX PRO 5000 Blackwell 48GB | 48 | ¥47,00011 条挂牌 | 161.4 | 128K |
| RTX PRO 5000 Blackwell 72GB | 72 | ¥62,00011 条挂牌 | 161.4 | 128K |
| RTX PRO 6000D | 84 | ¥70,00019 条挂牌 | 184.3 | 128K |
| RTX PRO 6000 Blackwell | 96 | ¥118,50010 条挂牌 | 206.3 | 128K |
| Tesla V100 16GB | 16 | —暂无挂牌 | 112.9 | 32K |
| Arc Pro B65 | 32 | —暂无挂牌 | 51.7 | 128K |
| GeForce RTX 4080 SUPER 32GB (改装) | 32 | —暂无挂牌 | 93.9 | 128K |
| Instinct MI100 | 32 | —暂无挂牌 | 110.3 | 128K |
| Tesla V100 32GB | 32 | —暂无挂牌 | 112.9 | 128K |
| Mac Studio M4 Max 128GB | 128 | —暂无挂牌 | 56.5 | 128K |
| Mac Studio M5 Max 128GB | 128 | —暂无挂牌 | 63.2 | 128K |
| MacBook Pro M4 Max 128GB | 128 | —暂无挂牌 | 56.5 | 128K |
| MacBook Pro M5 Max 128GB | 128 | —暂无挂牌 | 63.2 | 128K |
| Mac Studio M3 Ultra 512GB | 512 | —暂无挂牌 | 82.8 | 128K |
判定口径：权重 + KV cache + 运行开销 ≤ 可用显存，单卡。MoE 模型标「卸载」表示把专家权重放进系统内存后能跑（显存只放注意力层与 KV cache），速度按内存带宽 70 GB/s 估算。上下文列给的是能装下的最大档位。
用 Ollama / llama.cpp / vLLM 启动 Llama 3.1 8B
Ollama
Ollama 一条命令拉起，量化档位由官方标签决定。
ollama run llama3.1:8b
llama.cpp
llama.cpp 直接从 Hugging Face 拉 GGUF，-c 是上下文长度。
llama-server -hf bartowski/Meta-Llama-3.1-8B-Instruct-GGUF:Q4_K_M -c 8192
vLLM
vLLM 跑的是原始精度权重，显存要求比 GGUF 高得多，通常要多卡。
vllm serve meta-llama/Llama-3.1-8B-Instruct
量化文件名以模型库当周抓取为准，口径见数据方法。 数据方法
常见问题
Llama 3.1 8B 需要多少显存？
在 Q4_K_M 量化、8K 上下文下 Llama 3.1 8B 约需 7GB 显存，留到 8GB 更稳。
哪张显卡最便宜能跑 Llama 3.1 8B？
GeForce RTX 2080 Ti，11GB 显存，当前二手中位价约 ¥1,680，预估 79.5 tokens/s。
Llama 3.1 8B 能用 Ollama 跑吗？
能，命令是 ollama run llama3.1:8b。