Gemma 4 31B
Gemma 4 31BをQ4_K_M・8kコンテキストで動かすには、20.9GBのVRAMが必要です（2026年10月16日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは24GB（ぎりぎり）で、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は約69トークン/秒です。
- パラメータ
- 31.3B
- コンテキスト長
- 262,144トークン
- ライセンス
- Apache 2.0
- 公開
- 2026年3月
- config.jsonの確認日
- 2026年10月16日
どのメモリ容量のGPUで動くか
必要量20.9GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年10月16日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはRTX 3090（24GB）です。必要量は20.9GBで、生成速度は推定36トークン/秒です。ただしぎりぎりの収まり方で、会話に使える余裕はほとんど残りません。余裕を持って使いたい場合、つまり32,768トークンのコンテキストを確保しつつメモリ使用率を85%未満に抑えたい場合は、RTX 5090（32GB）に上げましょう。その場合の必要量は22.9GBで、生成速度は約69トークン/秒です。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX A6000（48GB）で、必要量は36.5GBです。Appleシリコンでは、Mac mini M4 Proなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定11トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを22.9GBで保持でき、生成速度は推定10トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | 動く | ≤ 129 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | 79 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | 69 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | 69 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | 52 | チャットなら快適 | 48GB | 1,344GB/s |
| RTX 4090 | ぎりぎり | 39 | チャットなら快適 | 24GB | 1,008GB/s |
| RX 7900 XTX | ぎりぎり | 37 | チャットなら快適 | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | 37 | チャットなら快適 | 48GB | 960GB/s |
| RTX 3090 | ぎりぎり | 36 | チャットなら快適 | 24GB | 936GB/s |
| RTX PRO 4500 Blackwell | 動く | 35 | チャットなら快適 | 32GB | 896GB/s |
| L40S | 動く | 33 | チャットなら快適 | 48GB | 864GB/s |
| RTX A6000 | 動く | 30 | チャットなら快適 | 48GB | 768GB/s |
| RTX PRO 4000 Blackwell | ぎりぎり | 26 | チャットなら快適 | 24GB | 672GB/s |
| Radeon AI PRO R9700 | 動く | 25 | 使えるがやや遅い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | 23 | 使えるがやや遅い | 32GB | 608GB/s |
| Arc Pro B60 | ぎりぎり | 18 | 使えるがやや遅い | 24GB | 456GB/s |
| RTX PRO 4000 Blackwell SFF | ぎりぎり | 17 | 使えるがやや遅い | 24GB | 432GB/s |
| RTX Spark | 動く | 12 | 遅い（バッチ処理なら十分） | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | 11 | 遅い（バッチ処理なら十分） | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 10 | 遅い（バッチ処理なら十分） | 128GB（GPU用96GB） | 256GB/s |
| RX 7900 XT | 動かない | - | 収まらない | 20GB | 800GB/s |
| RTX 4060 Ti | 動かない | - | 収まらない | 16GB | 288GB/s |
| RTX 5060 Ti | 動かない | - | 収まらない | 16GB | 448GB/s |
| RTX 5080 | 動かない | - | 収まらない | 16GB | 960GB/s |
| RTX 5070 Ti | 動かない | - | 収まらない | 16GB | 896GB/s |
| RTX 4080 SUPER | 動かない | - | 収まらない | 16GB | 736GB/s |
| RX 9070 XT | 動かない | - | 収まらない | 16GB | 640GB/s |
| RX 9060 XT | 動かない | - | 収まらない | 16GB | 320GB/s |
| RTX 3060 | 動かない | - | 収まらない | 12GB | 360GB/s |
| RTX 4070 | 動かない | - | 収まらない | 12GB | 504GB/s |
| RTX 5070 | 動かない | - | 収まらない | 12GB | 672GB/s |
| Arc B580 | 動かない | - | 収まらない | 12GB | 456GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。Gemma 4 31BがQ4で1トークンごとに読む重みはわずか18.2GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年10月16日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 36.2GB（48GBに収まる） | 36.5GB（48GBに収まる） | 38.5GB（48GBに収まる） |
| Q5_K_M | 24.8GB（32GBに収まる） | 25.1GB（32GBに収まる） | 27.1GB（32GBに収まる） |
| Q4_K_M | 20.6GB（24GBに収まる） | 20.9GB（24GBに収まる） | 22.9GB（32GBに収まる） |
重みはQ4で18.2GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.082GB増えます（これとは別に、スライディングウィンドウ・アテンションのレイヤーが、ウィンドウがいっぱいになった時点で固定の0.839GBを保持します）。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
Gemma 4 31Bは31.3Bパラメータのモデルです。全60レイヤーのうち50レイヤーは、直近の1,024トークンを対象とするスライディングウィンドウ・アテンションです（KVヘッド16個、ヘッド次元256）。残りの10レイヤーはグローバルレイヤーで、KVヘッドは4個（ヘッド次元512）です。Google DeepMindのGemma 4ファミリー（2026年春）の、密（dense）モデルのフラッグシップです。画像も扱える視覚言語モデルで、コンテキスト長は256k、思考モードを設定でき、Gemma 3の独自規約に代わってApacheライセンスを採用しています。
テキストと画像 コンテキスト長262,144トークン Apache 2.0 2026年3月公開
思考モード：モデルカードによると、設定で切り替えられます。
スライディングウィンドウのキャッシュに対応していないランタイムは、すべてのレイヤーを全長で保存するため、長いコンテキストではこの値よりはるかに多くのメモリを使います。パラメータ数にはビジョンエンコーダが含まれます。テキスト専用のGGUFはわずかに小さくなります。
ネイティブのコンテキスト長は262,144トークンです。ライセンスはApache 2.0で、寛容な（permissive）ライセンスです。重みの公開は2026年3月です。Gemma 3 27Bの後継にあたります。
得意なこと
- 24GBのGPUで扱えるもっとも難しい作業。denseの31Bでありながら、Q4なら24GBのGPU1枚に収まります。
- ほどほどのメモリで扱える長いコンテキスト。60レイヤーのうち50レイヤーがスライディングウィンドウです。
- Apache 2.0での商用利用
注意点
- 24GBのGPUをほぼ使い切ります。読み込んで動かすことはできますが、長い文書を扱う余裕があるのは32GBのGPUからです。
- 10個のグローバルレイヤーが全長のキャッシュを持つため（KVヘッド4個、ヘッド次元512）、1トークンあたりのコンテキスト用メモリはQwen3.8 27Bより多くかかります。
- 音声入力には対応していません。Gemma 4で音声を扱えるのは12Bです。
似たモデル
Q4_K_M・8kコンテキストでGemma 4 31Bとほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| Gemma 4 31B | 31.3B | 20.9GB | 0.082GB | 256k | 2026年3月 |
| Granite 4.2 30B | 29.3B | 20.3GB | 0.262GB | 128k | 2026年8月 |
| GLM-4.7 Flash 30B-A3B (MoE) | 31.2B（アクティブ3B） | 19.8GB | 0.054GB | 198k | 2026年1月 |
| Qwen3 30B-A3B (MoE) | 30.5B（アクティブ3.3B） | 19.7GB | 0.098GB | 40k | 2025年4月 |
| Nemotron 3.5 Lightning 30B-A3B (MoE) | 31.6B（アクティブ3B） | 19.7GB | 0.006GB | 256k | 2026年8月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- Gemma 4 31Bは24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約20.9GBが必要で、24GBのGPUにぎりぎり収まります。
- Gemma 4 31BをQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約36.5GB、32kコンテキストでは38.5GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- Gemma 4 31Bのコンテキスト長は？
- ネイティブで262,144トークンです。すべてをQ4_K_Mで保持すると約41.7GBが必要で、そのうち22.3GBがコンテキストの分です。
- Gemma 4 31Bが長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全60レイヤーのうち50レイヤーは、直近の1,024トークンを対象とするスライディングウィンドウ・アテンションです（KVヘッド16個、ヘッド次元256）。残りの10レイヤーはグローバルレイヤーで、KVヘッドは4個（ヘッド次元512）です。32kトークンのコンテキストに必要なメモリは約3.5GBです。もし60レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約32.2GBかかります。この節約は、ランタイムがスライディングウィンドウのキャッシュを実装していることが前提です。llama.cppとvLLMは実装していますが、実装していないビルドではずっと多くのメモリを使います。
- Gemma 4 31BはRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約39トークン/秒で、体感は「チャットなら快適」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。
- アーキテクチャの値は、Hugging Faceのgoogle/gemma-4-31B-itにあるconfig.jsonから読み取り、2026年10月16日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。