RTX 4080 SUPER

Gemma 4 12Bが、このGPUを最も有効に使えるモデルです。使うのは16GBのうち8.2GBで、生成速度は推定74トークン/秒（読むより速い）、コンテキストにはまだ131,072トークン分の余裕があります。

ベンチマークは引用していないため、選び方を説明します。モデルはサイズで比べ、MoE（Mixture of Experts）モデルは総パラメータとアクティブパラメータの幾何平均で数えます（経験則で、測定ではありません）。メモリに余裕を持って収まり、25トークン/秒以上で応答する最も大きいクラスを選び、その中で最も新しい汎用モデルを選んでいます。コーディングや推論に特化したモデルは上の一覧には載せていますが、標準ではおすすめしていません。

このGPUが保持できる最大のモデルはgpt-oss 20Bで、必要量は13.4GBです。81,920トークンのコンテキストを確保できます。MoEモデルで、トークンごとに読むパラメータは3.6Bだけなので、2つのうち速いのはこちらで、推定247トークン/秒です。その代わり、トークンごとにすべての重みを読む密（dense）モデルの深さはありません。

Q8_0でも約14.2GBで収まります。メモリが許すならQ8を選ぶ価値があります。Q4では精度が少し落ちますが、Q8はほぼ劣化がありません。

KVキャッシュをQ8に量子化すると、保持できる量はおよそ2倍になり、品質の低下はほとんどの人が気づかない程度です。このGPUでは、Ministral 3 14Bが37,888トークンから75,776トークンになります。上限は128kトークン、またはそれより小さければモデル自身のネイティブのコンテキスト長で、後者は「モデルの上限」と表示しています。それを超える空きメモリは何の役にも立ちません。サイズの割にはるかに多くのコンテキストを保持できる行は、ハイブリッド構成、スライディングウィンドウ、MLA（Multi-head Latent Attention）のモデルで、標準的なTransformerのほんの一部しかキャッシュしません。計算の過程は各モデルのページにあります。

最初に届かなくなるモデルはDevstral Small 2 24Bで、Q4_K_M・8kコンテキストで約16.3GBが必要です。使えるメモリは16GBです。Q3_K_Mに下げると約13.6GBが必要で、収まりますが、Q3は品質の低下が大きいため、たいていは小さなモデルをQ4で動かすほうが良い選択です。残りをシステムRAMにオフロードすれば動きますが、10〜50倍遅くなります。モデルが動くのを確かめる方法であって、使う方法ではありません。

言語モデルのために買うのはやめましょう。中古の3090のほうが多く保持でき、読み出しも速く、新しい5070 Tiは同じ16GBを約5分の1速く読み出します。すでに持っているなら十分に使える16GBのGPUなので、収まらないモデルには大きなGPUを借りましょう。

このGPUを選ぶ理由はすべて中古価格にあり、その価格は週ごとに変わるため、ここに数字を載せるのは載せないより悪い結果になります。実際に検討している価格を、電気料金と実際の月間使用時間とあわせて購入とレンタルの比較ツールに入れてください。このGPUが負荷時に320Wを使うことは、ツールにすでに入っています。所有するほうが安くなる月がわかり、そうならない場合はそれがわかります。決め手になるのは、価格よりも月間の使用時間であることがはるかに多いです。

• RTX 3090：24GB・936GB/s・最適なモデルはMuse Glimmer 30B、約38トークン/秒。ローカルモデルのコストパフォーマンスの基準で、何年もその座にあるGPUです。
• RTX 5080：16GB・960GB/s・最適なモデルはGemma 4 12B、約97トークン/秒。3090並みの帯域幅を持つ16GBのGPUで、収まるモデルは速く動きますが、収まる量は5060 Ti 16GBと変わりません。
• RTX 5070 Ti：16GB・896GB/s・最適なモデルはGemma 4 12B、約90トークン/秒。5080と同じメモリバスと16GBを持ち、読み出しは約7%遅いGPUです。

全39種類のGPUはGPU一覧で並べて比較しています。同じ数値をモデルの側から見た表はモデルの適合表（英語）にあります。表を読む代わりに特定の組み合わせを確かめるなら、ローカルLLM動作チェッカーを使ってください。