Beste GPU für Gemma 4 12B lokal
Echtzeit-Preise und Hardware-Empfehlungen aktualisiert für August 2026.
Gemma 4 12B ist ein dichtes Modell: Alle 12 Mrd. Parameter werden bei jedem Token aktiviert, die Generierungsgeschwindigkeit hängt also davon ab, wie schnell Ihre Karte die vollständigen Gewichte lesen kann.
Um Gemma 4 12B lokal auszuführen, benötigen Sie rund 10 GB VRAM bei Q4_K_M-Quantisierung und einem Kontext von 64k Token. Die preislich attraktivste passende Karte ist die Arc B580 (12 GB), die etwa 13 Token pro Sekunde erzeugen dürfte.
Kontextlänge anpassen
Zu gängigen Größen schieben oder manuell einen Wert eingeben.
Empfohlene Hardware
Bei 64k Kontext erreichen Gewichte + KV-Cache rund 8GB — 12GB-Karten bieten komfortablen Spielraum.
Empfohlene Hardware
Q4_K_M ist der ausgewogene Standard — passt bequem auf 12-16GB-Karten mit Platz für ein großes Kontextfenster.
Empfohlene Hardware
Q8_0 ist für ein 12B-Modell nahezu verlustfrei. 24GB-Karten fassen die vollständigen Gewichte plus einen langen Kontext.
Andere Modelle mit demselben VRAM-Bedarf
Da die Gewichte von Gemma 4 12B auf eine 12-GB-Karte passen, laufen andere Modelle ähnlicher Größe auf derselben GPU. Die Generierungsgeschwindigkeit variiert — Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer — aber alle passen in denselben VRAM:
Setup-Optimierung für Gemma 4 12B
Quantisierungs-Empfehlungen
Für tägliche Coding- und Reasoning-Aufgaben bietet Q4_K_M (4-Bit-Quantisierung) die beste Balance aus Qualität und Speichereffizienz – es reduziert den Speicherbedarf um über 70 % bei minimalem Qualitätsverlust im Vergleich zu FP16. Q8 und höhere Voreinstellungen bewahren mehr Details auf Kosten eines deutlich höheren VRAM-Bedarfs, was das Auslagern von Schichten erzwingen und den Durchsatz verringern kann.
Empfohlene lokale Software
Wir empfehlen Ollama als primären Runner für die lokale Inferenz aufgrund der automatischen GPU-Modellaufteilung und der Optimierung des Kontext-Caches. Für fortgeschrittenes Fine-Tuning oder Quantisierungsaufteilungen bietet das nativ kompilierte llama.cpp mit Flash Attention die beste granulare Kontrolle.
Gemma 4 12B lokal ausführen — FAQ
Wie viel VRAM brauche ich, um Gemma 4 12B auszuführen?
Bei einem Kontext von 64k und aktivierter KV-Cache-Quantisierung benötigt Gemma 4 12B etwa 10 GB VRAM bei Q4_K_M — die Quantisierung, die für die meisten die richtige Wahl ist. Q3_K_M senkt den Bedarf auf rund 8.2 GB bei etwas geringerer Qualität, Q8_0 verlangt rund 16.9 GB für die beste Qualität, die dieses Modell liefern kann.
Auf welche Grafikkartengröße passt Gemma 4 12B?
Gemma 4 12B benötigt bei Q4_K_M etwa 10 GB. Eine 12-GB-Karte ist damit die kleinste gängige Größe, die das Modell vollständig im VRAM hält. Darunter müssen Layer in den Systemspeicher ausgelagert werden, was in der Regel den Großteil der Generierungsgeschwindigkeit kostet.
Welche Quantisierung sollte ich für Gemma 4 12B verwenden?
Nehmen Sie Q4_K_M, sofern Sie kein VRAM übrig haben. Es benötigt etwa 10 GB und verliert gegenüber voller Präzision kaum Qualität. Q8_0 verlangt rund 16.9 GB für einen Qualitätsgewinn, den die wenigsten beim Programmieren oder Chatten bemerken. Investieren Sie übriges VRAM lieber in einen längeren Kontext.
Wie wirkt sich die Kontextlänge auf den VRAM-Bedarf von Gemma 4 12B aus?
Die Modellgewichte sind fix, der KV-Cache wächst jedoch linear mit dem Kontext. Bei Gemma 4 12B und einem Kontext von 64k belegt der Cache etwa 3.1 GB; eine Verdopplung auf 128k bringt ihn auf rund 6.1 GB. Ohne KV-Cache-Quantisierung verdoppeln sich diese Werte erneut.
Kann dieselbe GPU andere Modelle ausführen, die Gemma 4 12B ähneln?
Ja. Gemma 4 12B benötigt etwa 10 GB bei Q4_K_M, und jedes Modell, dessen Gewichte auf dieselbe Karte passen, läuft darauf — einschließlich Mistral NeMo 12B (12B), SOLAR 10.7B (10.7B), Phi-3 Medium (14B), Phi-4 (14B). Die Gewichte passen in dieselbe GPU; die Generierungsgeschwindigkeit variiert (Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer).
▸Wie Token-Geschwindigkeiten geschätzt werden
Wie wir den GPU-Wertungs-Score berechnen und Marktdaten normalisieren.
Lesen (Prefill)
Der Prompt wird in einem einzigen parallelen Durchgang verarbeitet. Dies ist rechenleistungsbegrenzt (compute-bound): Es lastet die Tensor-Kerne der GPU aus.
Decode (Generierung)
Jedes neue Token erfordert das Laden aller aktiven Modellgewichte aus dem VRAM. Dies ist speicherbandbreitenbegrenzt (memory-bandwidth-bound): Die GPU wartet auf Daten, anstatt zu rechnen.
Gewichte = (activeParams × Bits ÷ 8) × 1,15 Overhead. KV-Cache pro Schritt = activeParams × Multiplikator × contextK.
Architektur-Nutzungsfaktoren
Links: Decode-Faktor — Rechts: Read-Faktor
Datenquellen
TFLOPS und Speicherbandbreite werden aus der GPU-Datenbank ausgelesen. Falls nicht vorhanden, fällt die Bandbreite auf ein hartcodiertes Wörterbuch zurück.
Einschränkungen
Dies sind analytische Schätzungen, keine tatsächlichen Benchmark-Ergebnisse. Verwende sie als relativen Vergleich, nicht als absolute Leistungsgarantie.