ollama로 로컬 LLM 돌리는데 GPU 메모리 부족(OOM)으로 자꾸 죽습니다. 양자화하면 되나요

Question

로컬에서 LLM을 돌려보려고 ollama를 쓰고 있는데 GPU 메모리가 부족하다면서 자꾸 죽습니다. 그래픽카드는 RTX 4070 12GB고요, 13B급 모델을 올려보려고 했어요.

모델 로드하고 조금 긴 프롬프트를 넣으면 CUDA out of memory 가 나거나, 아니면 죽진 않는데 갑자기 응답이 엄청 느려집니다. nvidia-smi 보면 로드는 됐는데 추론할 때 뭔가 이상하고요.

양자화라는 걸 하면 메모리를 줄일 수 있다고 들었는데, 그냥 하면 되는 건지 품질이 많이 깎이는 건지 감이 안 옵니다. 12GB에서 13B는 무리인 걸까요? 어떻게 접근해야 할지 조언 부탁드려요.

김영삼 · Accepted Answer

VRAM을 먹는 게 모델 가중치만이 아니에요. 가중치 + KV 캐시 둘 다 먹는데, KV 캐시는 컨텍스트 길이에 비례해서 커집니다. 그래서 로드는 됐는데 긴 프롬프트 넣으면 그때 터지는 거예요. 딱 그 증상입니다.

13B를 fp16 원본으로 올리면 12GB엔 애초에 안 들어갑니다. 양자화된 GGUF를 쓰세요. Q4_K_M 정도면 크기가 확 줄어서 4070 12GB에 여유가 생깁니다. ollama는 태그로 양자화 버전을 받을 수 있으니 그걸로 pull 하면 돼요. 품질은 Q4 정도면 대부분의 실무 용도엔 체감 손실이 크지 않습니다. 더 낮추면(Q3, Q2) 눈에 띄게 떨어지니 거기까진 가지 마세요.

안 죽는데 갑자기 느려지는 건 모델이 GPU에 다 안 올라가서 일부 레이어가 CPU로 오프로드된 상태예요. 그러면 추론이 CPU 속도로 기어갑니다. nvidia-smi로 실제 VRAM 점유를 보고, 다 안 올라갔으면 더 작은 양자화나 num_ctx(컨텍스트)를 줄여서 KV 캐시 부담을 낮추세요.

솔직히 여유롭게 쓰려면 12GB에선 7~8B 모델을 양자화해서 돌리는 게 훨씬 편합니다. 13B를 꾸역꾸역 올리는 것보다 응답 속도도 빠르고 컨텍스트 여유도 나와요. 용도가 정말 13B급 지능이 필요한 게 아니면 한 급 낮추는 걸 추천합니다.

댓글 1