Nemotron 3.5 Lightning 30B-A3B (MoE)
Nemotron 3.5 Lightning 30B-A3B (MoE)をQ4_K_M・8kコンテキストで動かすには、19.7GB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、生成速度は最大721トークン/秒です。
- パラメータ
- 31.6B（アクティブ3B）
- コンテキスト長
- 262,144トークン
- ライセンス
- OpenMDW 1.1
- 公開
- 2026年8月
- config.jsonの確認日
- 2026年10月16日
Nemotron 3.5 Lightning 30B-A3B (MoE)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19.7GB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19.7GBで、生成速度は推定377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（19.8GB）、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 A6000（48GB）で、必要量は35.4GB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110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19.8GBで保持でき、生成速度は推定103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 | ≤ 1,348 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 820 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 721 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 721 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 541 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | 動く | ≤ 406 | 読むより速い | 24GB | 1,008GB/s |
| RX 7900 XTX | 動く | ≤ 386 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 386 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | 動く | ≤ 377 | 読むより速い | 24GB | 936GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 360 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 348 | 読むより速い | 48GB | 864GB/s |
| RTX A6000 | 動く | ≤ 309 | 読むより速い | 48GB | 768GB/s |
| RTX PRO 4000 Blackwell | 動く | ≤ 270 | 読むより速い | 24GB | 672GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 257 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 245 | 読むより速い | 32GB | 608GB/s |
| Arc Pro B60 | 動く | ≤ 183 | 読むより速い | 24GB | 456GB/s |
| RTX PRO 4000 Blackwell SFF | 動く | ≤ 174 | 読むより速い | 24GB | 432GB/s |
| RTX Spark | 動く | ≤ 121 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | ≤ 110 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | ≤ 103 | 読むより速い | 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。Nemotron 3.5 Lightning 30B-A3B (MoE)がQ4で1トークンごとに読む重みはわずか1.7GB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20個の数値は、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 | 35.4GB（48GBに収まる） | 35.4GB（48GBに収まる） | 35.6GB（48GBに収まる） |
| Q5_K_M | 23.9GB（32GBに収まる） | 23.9GB（32GBに収まる） | 24.1GB（32GBに収まる） |
| Q4_K_M | 19.6GB（24GBに収まる） | 19.7GB（24GBに収まる） | 19.8GB（24GBに収まる） |
重みはQ4で18.3GB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0.006GB増えます（これとは別に、大きくならない固定の再帰状態が0.05GBあります）。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
Nemotron 3.5 Lightning 30B-A3B (MoE)は31.6Bパラメータのモデルです。MoE（Mixture of Experts）構成で、1トークンごとのアクティブパラメータは3Bです。全52ブロックのうち、アテンションレイヤーは6つだけです（KVヘッド2個、ヘッド次元128）。23ブロックは小さな固定サイズの状態を持つMamba-2レイヤー、残りの23ブロックはキャッシュをまったく持たないMoEレイヤーです。NVIDIAが2026年8月に公開したオープンな30B-A3Bモデルで、学習データとレシピもあわせて公開されています。Mamba-2レイヤー、MoEレイヤー、そしてわずか6つのアテンションレイヤーからなる3種のハイブリッド構成で、このサイトのモデルの中で、長いコンテキストをもっとも少ないメモリで扱えます。
テキストのみ コンテキスト長262,144トークン OpenMDW 1.1 2026年8月公開 31.6B中3Bがアクティブ
思考モード：推論モデルとしてもチャットモデルとしても使えます。思考部分の出力は、ランタイムが別に切り分けます。
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OpenMDW 1.1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2026年8月です。
得意なこと
- 24GBのGPUでのとても長いコンテキスト。KVヘッド2個のアテンションレイヤーが6つだけなので、キャッシュはほとんどありません。
- 重みだけでなく、学習データとレシピも確認・再利用したいチーム
- ファインチューニング。NVIDIAはBF16版をカスタマイズの出発点と説明しています。
注意点
- BF16のチェックポイントはカスタマイズ向けです。動かす用途には、NVIDIAはNVFP4版とGGUF版を案内しています。
- OpenMDW 1.1は独自のライセンスです。Apacheと同じだと思い込まず、読んでから使ってください。
- モデルカードに記載されている対応言語は、英語、スペイン語、フランス語、ドイツ語、イタリア語、日本語の6つです。
似たモデル
Q4_K_M・8kコンテキストでNemotron 3.5 Lightning 30B-A3B (MoE)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 |
|---|---|---|---|---|---|
| Nemotron 3.5 Lightning 30B-A3B (MoE) | 31.6B（アクティブ3B） | 19.7GB | 0.006GB | 256k | 2026年8月 |
| Qwen3 30B-A3B (MoE) | 30.5B（アクティブ3.3B） | 19.7GB | 0.098GB | 40k | 2025年4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 |
| Granite 4.2 30B | 29.3B | 20.3GB | 0.262GB | 128k | 2026年8月 |
| Muse Glimmer 30B | 29.8B | 18.7GB | 0.013GB | 128k | 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
- Nemotron 3.5 Lightning 30B-A3B (MoE)は24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約19.7GBが必要で、24GBのGPUに余裕を持って収まります。
- Nemotron 3.5 Lightning 30B-A3B (MoE)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35.4GB、32kコンテキストでは35.6GB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。
- Nemotron 3.5 Lightning 30B-A3B (MoE)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21.2GBが必要で、そのうち1.7GBがコンテキストの分です。
- Nemotron 3.5 Lightning 30B-A3B (MoE)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52ブロックのうち、アテンションレイヤーは6つだけです（KVヘッド2個、ヘッド次元128）。23ブロックは小さな固定サイズの状態を持つMamba-2レイヤー、残りの23ブロックはキャッシュをまったく持たないMoEレイヤーです。32kトークンのコンテキストに必要なメモリは約0.3GBです。もし52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1.7GBかかります。
- Nemotron 3.5 Lightning 30B-A3B (MoE)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406トークン/秒で、体感は「読むより速い」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。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging Faceのnvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16にあるconfig.jsonとモデルカードから読み取り、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。