Llama 3.1 Swallow 8B の必要VRAM

東工大チームがLlamaを日本語継続学習した国産の定番8B。

8.03B / 32層 / GQA 8ヘッド / 既定コンテキスト 8,192 トークン(HuggingFace)

必要VRAM = 重み + KVキャッシュ(既定コンテキスト時) + 1.5GB(OS/表示)。△は量子化を下げるかコンテキストを絞れば動作します。

この表は Q4_K_M を最小の量子化として計算しています。×でも、IQ4_XS のようにさらに小さい量子化なら収まることがあります(品質低下と、使うランタイムの対応状況の確認が要ります)。 このモデルは実際にその境界にあります: IQ4_XS相当(4.25bit)に置き換えると必要VRAMが約7.5GB→約6.8GBになり、8GB級で「△ ぎりぎり」→「◎ 快適」に一段上がります。

上の表は8,192トークンの文脈での計算です。AIエージェント(道具を使って複数ステップの作業を自動でこなす使い方)では長い文脈が要り、その分KVキャッシュが増えます。 このモデルをQ4_K_Mで使う場合、必要VRAMは32Kで約10.7GB、128Kで約23.6GBです(8Kの約3.1倍)。 文脈を延ばすと必要VRAMが大きく増えるため、エージェント用途では判定より余裕を見てください。

Llama 3.1 Swallow 8Bとは

Llama 3.1 Swallow 8Bは、東京科学大 Swallowチームが公開するLlama系の入門〜標準クラス(8.03Bパラメータ)オープンモデルです。8GB級GPUで扱える定番サイズで、日常的な対話・文章作成の実用ラインです。日本語データで開発・強化された国産モデルで、日本語の自然さに重点があります。

Hugging Faceでの直近30日ダウンロードは約10万件・いいね19件 — ダウンロード数は当サイト収録83モデル中61位です(2026-08-27時点。公式リポジトリ分のみで、GGUF再配布版は含みません)。

Llama 3.1 Swallow 8Bの必要スペックを読み解く

Q4_K_M量子化での内訳は、重み(モデル本体)が約4.9GB、8Kトークン分のKVキャッシュが約1.1GB、システム予約と合わせて合計約7.5GBです。 ◎(快適)判定の最小ラインは、VRAM 12GBクラスのGPUです。 迷ったらQ4_K_M(合計約7.5GB)が基準です。VRAMに余裕があればQ8_0(約11.1GB)で品質の上積みが狙えます。 Mac(ユニファイドメモリ)での判定は、トップページでチップと搭載メモリを選ぶと計算できます。

コンテキスト長とメモリの伸び方

このモデルのKVキャッシュは、2Kトークンで約0.3GB、8Kで約1.1GB、32Kまで広げると約4.3GBになります。KVキャッシュはコンテキスト長にほぼ比例して増えるため、長文用途ではその分のVRAM余白を見込んでください。

速度の目安(理論上限)

生成速度はメモリ帯域律速です。Q4_K_Mの重み4.9GBに対する理論上限は、RTX 3060 12GB(360GB/s)で約73 tokens/秒、RTX 4090(1008GB/s)で約205 tokens/秒 — 実効はオーバーヘッドの分これより下がります。

動かすには

OllamaやLM Studioに対応しています。導入手順は用語集のOllamaページにまとめています。

同クラスの選択肢

Llama 3.1 8B(8.03B) / Foundation-Sec 8B Instruct(8.03B) / Ling-3.0-tiny(7.89B)

▶ あなたのPCを自動判定する(スペック送信なし・ブラウザ内完結)