LLM-jp-4 33B Thinking の必要VRAM

国立情報学研究所(NII)などによる国産LLM-jpの33B。乱数初期化からのフルスクラッチ学習(11.7Tトークン)で、外国モデルの継続学習が主流の日本語枠では系譜が異なる。思考版だが強化学習は使わずSFTとDPOで作られている。llama系アーキで本家llama.cppでそのまま動く。Apache 2.0。

33.22B / 64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23.8GB→約21.3GBになり、24GB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30.2GB、128Kで約56.0GBです(8Kの約2.4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。

LLM-jp-4 33B Thinkingとは

LLM-jp-4 33B Thinkingは、llm-jpが公開するLlama系のハイエンドクラス(33.22Bパラメータ)オープンモデルです。24GB級GPUの領域で、ローカルで狙える上位の品質帯です。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。

LLM-jp-4 33B Thinking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20.1GB、8Kトークン分のKVキャッシュが約2.1GB、システム予約と合わせて合計約23.8GBです。 ◎(快適)判定の最小ラインは、VRAM 32GBクラスのGPUです。 迷ったらQ4_K_M(合計約23.8GB)が基準です。VRAMに余裕があればQ8_0(約38.9GB)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0.5GB、8Kで約2.1GB、32Kまで広げると約8.6GB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20.1GBに対する理論上限は、RTX 3060 12GB(360GB/s)で約18 tokens/秒、RTX 4090(1008GB/s)で約50 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

Qwen2.5 32B(32.8B) / Qwen3 Swallow 32B(32.8B) / Qwen3 32B(32.76B)

▶ 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)