Llama 3.1 8B 如何本地部署？

VRAMGlass 编辑部 · 更新于 2026年9月10日

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 ¥880，预估 112.9 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—

许可证Llama 3.1 Community License

架构稠密

GGUF 仓库bartowski/Meta-Llama-3.1-8B-Instruct-GGUF

Ollama 标签llama3.1:8b

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？

闲鱼

设备	显存GB	价	预估 t/s	建议上下文
Tesla V100 16GB	16	¥88013 条挂单	112.9	32K
GeForce RTX 2080 Ti 22GB	22	¥2,6003 条挂单	79.5	128K
Instinct MI50 32GB	32	¥2,7254 条挂单	93.3	128K
Radeon RX 6950 XT	16	¥2,99913 条挂单	54.3	32K
Radeon RX 7800 XT	16	¥3,10011 条挂单	58.6	32K
Tesla V100 32GB	32	¥3,20011 条挂单	112.9	128K
Radeon RX 7900 XT	20	¥4,29916 条挂单	74.1	32K
GeForce RTX 5060 Ti 16GB	16	¥4,6884 条挂单	58.9	32K
Arc Pro B60	24	¥5,27510 条挂单	39.2	128K
Radeon RX 7900 XTX	24	¥5,80017 条挂单	87.9	128K
Radeon RX 9070 XT	16	¥6,10012 条挂单	60	32K
GeForce RTX 5070	12	¥6,17510 条挂单	86.3	32K
GeForce RTX 4080	16	¥7,7509 条挂单	91.6	32K
GeForce RTX 3090	24	¥8,10015 条挂单	117	128K
Arc Pro B70	32	¥9,8506 条挂单	51.7	128K
GeForce RTX 5070 Ti	16	¥9,8993 条挂单	112.4	32K
Radeon AI PRO R9700	32	¥11,0508 条挂单	60	128K
CMP 170HX 40GB	40	¥11,3004 条挂单	183.5	128K
Radeon PRO W7800	32	¥12,4003 条挂单	54.3	128K
GeForce RTX 5080	16	¥12,45012 条挂单	119.7	32K
CMP 170HX 64GB	64	¥14,0508 条挂单	176.7	128K
RTX PRO 4000 Blackwell	24	¥15,65018 条挂单	86.3	128K
Instinct MI210	64	¥18,50012 条挂单	142.9	128K
Radeon PRO W7900	48	¥22,0005 条挂单	79.7	128K
GeForce RTX 4090	24	¥23,50016 条挂单	125.1	128K
GeForce RTX 5090 D V2	24	¥23,90014 条挂单	161.4	128K
RTX PRO 4500 Blackwell	32	¥25,85016 条挂单	112.4	128K
GeForce RTX 4090 48GB	48	¥26,6003 条挂单	125.1	128K
A100 40GB PCIe	40	¥30,9504 条挂单	183	128K
Mac Studio M4 Max 128GB	128	¥32,20013 条挂单	56.5	128K
DGX Spark 128GB	128	¥32,50031 条挂单	36.5	128K
GeForce RTX 5090 D	32	¥32,90013 条挂单	206.3	128K
MacBook Pro M4 Max 128GB	128	¥35,4004 条挂单	56.5	128K
Mac Studio M5 Max 128GB	128	¥39,5506 条挂单	63.2	128K
GeForce RTX 5090	32	¥43,80013 条挂单	206.3	128K
RTX PRO 5000 Blackwell 48GB	48	¥46,80015 条挂单	161.4	128K
MacBook Pro M5 Max 128GB	128	¥54,8007 条挂单	63.2	128K
RTX PRO 5000 Blackwell 72GB	72	¥65,00017 条挂单	161.4	128K
RTX PRO 6000D	84	¥68,00017 条挂单	184.3	128K
RTX PRO 6000 Blackwell	96	¥123,9006 条挂单	206.3	128K
Mac Studio M3 Ultra 512GB	512	¥129,9006 条挂单	82.8	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
Instinct MI100	32	—暂无挂单	110.3	128K
Ryzen AI Max+ 395 128GB	128	—暂无挂单	24.7	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 ¥880，预估 112.9 tokens/s。

Llama 3.1 8B 能用 Ollama 跑吗？

能，命令是 ollama run llama3.1:8b。