Llama 3.1 8B 如何本地部署？
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 Tesla V100 16GB，约 ¥4,432，预估 112.9 tokens/s。
Llama 3.1 8B 版本信息
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 本地部署需要多少显存？
| 量化 | 权重体积GB | 8K 总显存GB | 32K 总显存GB | 128K 总显存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 |
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「—」。各档取仓库里该比特数的任一文件，优先 unsloth 动态量化，所以同一档不同模型对应的文件名可能不同。
什么显卡能跑 Llama 3.1 8B？
AmazonJP
| 设备 | 显存GB | 价 | 预估 t/s | 建议上下文 |
|---|---|---|---|---|
 Tesla V100 16GB | 16 | ¥4,4324 条挂单 | 112.9 | 32K |
 Radeon RX 9070 XT | 16 | ¥5,9498 条挂单 | 60 | 32K |
| GeForce RTX 5060 Ti 16GB | 16 | ¥6,2179 条挂单 | 58.9 | 32K |
| GeForce RTX 5070 | 12 | ¥6,42810 条挂单 | 86.3 | 32K |
| Radeon RX 7800 XT | 16 | ¥6,49810 条挂单 | 58.6 | 32K |
| Tesla V100 32GB | 32 | ¥7,6733 条挂单 | 112.9 | 128K |
 Arc Pro B60 | 24 | ¥7,8293 条挂单 | 39.2 | 128K |
| Radeon RX 7900 XT | 20 | ¥8,3639 条挂单 | 74.1 | 32K |
| Radeon RX 6950 XT | 16 | ¥9,4424 条挂单 | 54.3 | 32K |
| GeForce RTX 5070 Ti | 16 | ¥10,60010 条挂单 | 112.4 | 32K |
| Radeon RX 7900 XTX | 24 | ¥11,6869 条挂单 | 87.9 | 128K |
| GeForce RTX 5080 | 16 | ¥12,5604 条挂单 | 119.7 | 32K |
| Arc Pro B70 | 32 | ¥13,9473 条挂单 | 51.7 | 128K |
| GeForce RTX 4080 | 16 | ¥14,7108 条挂单 | 91.6 | 32K |
| Radeon AI PRO R9700 | 32 | ¥15,0896 条挂单 | 60 | 128K |
| GeForce RTX 3090 | 24 | ¥16,9509 条挂单 | 117 | 128K |
| Ryzen AI Max+ 395 128GB | 128 | ¥26,3156 条挂单 | 24.7 | 128K |
| RTX PRO 4000 Blackwell | 24 | ¥26,6035 条挂单 | 86.3 | 128K |
| GeForce RTX 4090 | 24 | ¥32,9869 条挂单 | 125.1 | 128K |
| GeForce RTX 5090 | 32 | ¥50,3659 条挂单 | 206.3 | 128K |
| DGX Spark 128GB | 128 | ¥55,3043 条挂单 | 36.5 | 128K |
| GeForce RTX 2080 Ti 22GB | 22 | —暂无挂单 | 79.5 | 128K |
| GeForce RTX 5090 D V2 | 24 | —暂无挂单 | 161.4 | 128K |
| Arc Pro B65 | 32 | —暂无挂单 | 51.7 | 128K |
| GeForce RTX 4080 SUPER 32GB | 32 | —暂无挂单 | 93.9 | 128K |
| GeForce RTX 5090 D | 32 | —暂无挂单 | 206.3 | 128K |
| Instinct MI100 | 32 | —暂无挂单 | 110.3 | 128K |
| Instinct MI50 32GB | 32 | —暂无挂单 | 93.3 | 128K |
| Radeon PRO W7800 | 32 | —暂无挂单 | 54.3 | 128K |
| RTX PRO 4500 Blackwell | 32 | —暂无挂单 | 112.4 | 128K |
| A100 40GB PCIe | 40 | —暂无挂单 | 183 | 128K |
| CMP 170HX 40GB | 40 | —暂无挂单 | 183.5 | 128K |
| GeForce RTX 4090 48GB | 48 | —暂无挂单 | 125.1 | 128K |
| Radeon PRO W7900 | 48 | —暂无挂单 | 79.7 | 128K |
| RTX PRO 5000 Blackwell 48GB | 48 | —暂无挂单 | 161.4 | 128K |
| CMP 170HX 64GB | 64 | —暂无挂单 | 176.7 | 128K |
| Instinct MI210 | 64 | —暂无挂单 | 142.9 | 128K |
| RTX PRO 5000 Blackwell 72GB | 72 | —暂无挂单 | 161.4 | 128K |
| RTX PRO 6000D | 84 | —暂无挂单 | 184.3 | 128K |
| RTX PRO 6000 Blackwell | 96 | —暂无挂单 | 206.3 | 128K |
| Mac Studio M4 Max 128GB | 128 | —暂无挂单 | 56.5 | 128K |
| Mac Studio M5 Max 128GB | 128 | —暂无挂单 | 63.2 | 128K |
| MacBook Pro M4 Max 128GB | 128 | —暂无挂单 | 56.5 | 128K |
| MacBook Pro M5 Max 128GB | 128 | —暂无挂单 | 63.2 | 128K |
| Mac Studio M3 Ultra 512GB | 512 | —暂无挂单 | 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 本地部署 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？
Tesla V100 16GB，16GB 显存，当前中位价约 ¥4,432，预估 112.9 tokens/s。
Llama 3.1 8B 能用 Ollama 跑吗？
能，命令是 ollama run llama3.1:8b。