Llama 3.3 70B
Llama 3.3 70BをQ4_K_M・8kコンテキストで動かすには、45.8GB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80GBで、動くデスクトップ向けGPUのなかで最も速いRTX PRO 6000 Blackwellでは、生成速度は約31トークン/秒です。
- パラメータ
- 70.6B
- コンテキスト長
- 131,072トークン
- ライセンス
- Llama Community License
- 公開
- 2024年12月
- config.jsonの確認日
- 2026年10月16日
Llama 3.3 70BをローカルLLM動作チェッカーで開く
どのメモリ容量のGPUで動くか
必要量45.8GB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A100（80GB）です。必要量は45.8GBで、生成速度は推定35トークン/秒です。同じGPUでも32,768トークンのコンテキストまで余裕があるため（53.8GB）、このモデルのためにそれより上のGPUを買う理由はありません。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX PRO 6000 Blackwell（96GB）で、必要量は81GBです。Appleシリコンでは、MacBook Pro M4 Max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9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53.8GBで保持でき、生成速度は推定4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 | 57 | チャットなら快適 | 80GB | 3,350GB/s |
| A100 | 動く | 35 | チャットなら快適 | 80GB | 2,039GB/s |
| RTX PRO 6000 Blackwell | 動く | 31 | チャットなら快適 | 96GB | 1,792GB/s |
| RTX Spark | 動く | 5 | 遅い（バッチ処理なら十分） | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | 5 | 対話には遅すぎる | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 4 | 対話には遅すぎる | 128GB（GPU用96GB） | 256GB/s |
| RTX 6000 Ada | 動かない | - | 収まらない | 48GB | 960GB/s |
| L40S | 動かない | - | 収まらない | 48GB | 864GB/s |
| RTX A6000 | 動かない | - | 収まらない | 48GB | 768GB/s |
| RTX PRO 5000 Blackwell | 動かない | - | 収まらない | 48GB | 1,344GB/s |
| RTX 5090 | 動かない | - | 収まらない | 32GB | 1,792GB/s |
| RTX PRO 4500 Blackwell | 動かない | - | 収まらない | 32GB | 896GB/s |
| Radeon AI PRO R9700 | 動かない | - | 収まらない | 32GB | 640GB/s |
| Arc Pro B70 | 動かない | - | 収まらない | 32GB | 608GB/s |
| RTX 3090 | 動かない | - | 収まらない | 24GB | 936GB/s |
| RTX 4090 | 動かない | - | 収まらない | 24GB | 1,008GB/s |
| RX 7900 XTX | 動かない | - | 収まらない | 24GB | 960GB/s |
| RTX PRO 4000 Blackwell | 動かない | - | 収まらない | 24GB | 672GB/s |
| RTX PRO 4000 Blackwell SFF | 動かない | - | 収まらない | 24GB | 432GB/s |
| Arc Pro B60 | 動かない | - | 収まらない | 24GB | 456GB/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。Llama 3.3 70BがQ4で1トークンごとに読む重みは40.9GBあり、処理の大半を重みの読み込みが占めます。計算式が想定しているのは、まさにこのケースです。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 | 79.7GB（96GBに収まる） | 81GB（96GBに収まる） | 89.1GB（96GBに収まる） |
| Q5_K_M | 54GB（80GBに収まる） | 55.3GB（80GBに収まる） | 63.4GB（80GBに収まる） |
| Q4_K_M | 44.4GB（48GBに収まる） | 45.8GB（80GBに収まる） | 53.8GB（80GBに収まる） |
重みはQ4で40.9GB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0.328GB増えます。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
Llama 3.3 70Bは70.6Bパラメータのモデルです。80レイヤーで、KVヘッドは8個（ヘッド次元128）です。Metaが2024年12月に公開した70Bのテキストモデルで、今も密（dense）70Bの基準であり、「このGPUで70Bは動く？」と聞くとき多くの人が思い浮かべているのも、このモデルです。
テキストのみ コンテキスト長131,072トークン Llama Community License 2024年12月公開
思考モード：なし。そのまま回答します。
ネイティブのコンテキスト長は131,072トークンです。ライセンスはLlama Community Licenseで、固有の条件を定めた独自ライセンスです。商用利用の前に読んでください。重みの公開は2024年12月です。
得意なこと
- 80GBまたは96GBのGPUで動かす、大型で特性のよく知られたdenseモデル
- 70Bのファインチューニング版がもっとも豊富なエコシステム
注意点
- 24GBのGPUのおよそ2倍のメモリが必要で、Q4でも通常の余裕を見込むと、48GBのGPUにはあと少しのところで収まりません。
- すべてのレイヤーが全長のキャッシュを持つため、長いコンテキストでは、同じ会話に2026年のハイブリッド構成のモデルが使うメモリの数倍が必要です。
- 公開から2年経っています。このモデルのためにハードウェアを買う前に、3分の1のサイズの2026年のモデルのほうが用途に合うかどうか、試してみる価値があります。
- ライセンスはApacheではなくLlama Community Licenseです。
似たモデル
Q4_K_M・8kコンテキストでLlama 3.3 70B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 |
|---|---|---|---|---|---|
| Llama 3.3 70B | 70.6B | 45.8GB | 0.328GB | 128k | 2024年12月 |
| DeepSeek-R1 Distill Llama 70B | 70.6B | 45.8GB | 0.328GB | 128k | 2025年1月 |
| Nemotron 3.5 Bolt 74B-A9B (MoE) | 74.9B（アクティブ9B） | 45.9GB | 0.008GB | 256k | 2026年10月 |
| Qwen3-Coder-Next 80B-A3B (MoE) | 79.7B（アクティブ3B） | 48.9GB | 0.025GB | 256k | 2026年1月 |
| gpt-oss 120B | 117B（アクティブ5.1B） | 71.4GB | 0.037GB | 128k | 2025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
- Llama 3.3 70Bは24GBのGPUで動く？
- いいえ、24GBのGPUには収まりません。Q4_K_M・8kコンテキストで約45.8GBが必要です。収まる最小のクラスは80GBです。
- Llama 3.3 70B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81GB、32kコンテキストでは89.1GB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。
- Llama 3.3 70Bのコンテキスト長は？
- ネイティブで131,072トークンです。すべてをQ4_K_Mで保持すると約86GBが必要で、そのうち42.9GBがコンテキストの分です。
- Llama 3.3 70BはRTX 4090でどれくらいの速さ？
- Q4・8kコンテキストではRTX 4090に収まらないため、CPUへのオフロードになり、速度は激減します。より大きなGPUを使うか、ビット数のより少ない量子化を選んでください。
- アーキテクチャの値は、Hugging Faceのmeta-llama/Llama-3.3-70B-Instruct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（このリポジトリはライセンスへの同意が必要です。モデルカードは誰でも見られますが、ファイルは利用条件に同意すると開けます）。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。