Egen drift
RAM och huruvida du har en GPU räcker. Allt annat är valfritt. Rangordningen är aritmetik på källbelagda parameterantal — NVIDIA utser inte vinnaren.
7 av 25 profilerade modeller med öppna vikter får plats i 24 GiB (vram) vid kontext 8192. Bäst betygsatt som får plats: Gemma 4 31B (Q5_K_M).
VRAM as entered. Driver reservation is inside the 1 GiB overhead, not extra.
48 GiB höjer kvantiseringen av Gemma 4 31B till Q8_0. Samma modell, inte en högre intelligenspoäng.
Bland modeller som får plats
Högst LMArena-Elo bland dem som får plats: Gemma 4 31B 1443,4. Elo är en skala för mänsklig preferens, inte intelligensindexet.
The arena boards are separate scales and are never blended. A missing cell is unmeasured, not zero. A model’s highest axis is relative to its own scores, not a claim it leads the catalogue.
Betygsatta modeller som får plats
| Modell | Mänsklig preferens | Kvantisering som får plats | Uppskattade GiB | Marginal |
|---|---|---|---|---|
| Gemma 4 31B | 1443,4 | Q5_K_M | 22,106 | 1,894 |
| Qwen3.8 27B | 1440,7 | Q5_K_M | 20,063 | 3,938 |
| Phi 4 | 1216,7 | Q8_0 | 17,438 | 6,563 |
- KV heads and head dim are not in the public size table we used. Cache is not estimated.
- KV cache not estimated — layer/head geometry is not in the sourced profile. Longer context may not fit.
Får plats, obetygsatta
- Muse Glimmer 30B — Q5_K_M, 21,756 GiB obetygsatt synresonemangverktyg
- Ministral 3 14B 2512 — Q8_0, 17,019 GiB obetygsatt synverktyg
- Ministral 3 8B 2512 — F16, 19,663 GiB obetygsatt synverktyg
- Ministral 3 3B 2512 — F16, 9,413 GiB obetygsatt synverktyg
Vad en uppgradering faktiskt ger
Flaskhalsen är GPU-minnet. Mer system-RAM laddar inte fler vikter på det här kortet.
| Uppskattade GiB | Låser upp | Exempel | Listpris |
|---|---|---|---|
| 48 GiB | Gemma 4 31B — Q8_0samma modell, högre kvantisering | rtx a6000, rtx 6000 ada, rtx pro 6000 blackwell | Inget konsumentpris i den här filen |
Nästa högre betygsatta katalogmodell är Kimi K3, och även Q4_K_M kräver 1691,5 GiB. Det är inget skrivbordskort.
NVIDIA 'Starting at' list prices as published 2026-08-25, not a store quote and not a used-market index. Street prices in August 2026 are often much higher (Tom's Hardware Newegg median RTX 5090 $4,699 vs $1,999 list). Last-gen 24 GB cards (4090, 3090) have no current NVIDIA starting-at in this file. Datacenter cards have no consumer list here. RAM DIMMs are not priced — they move weekly.
Uppgraderingar använder samma passformsformel som rangordningen. Listpriser är NVIDIA:s från-priser, daterade 2026-08-25. Gatupriser är ofta högre. Begagnade 24 GB-kort och datacenter-GPU:er saknar listpris här. RAM-moduler prissätts inte.
Får inte plats, eller inte profilerade
- cohere/command-a-plus — even Q4_K_M wants 132.618 GiB; pool is 24 GiB
- deepseek/deepseek-v4-flash-vision-exp — even Q4_K_M wants 184.902 GiB; pool is 24 GiB
- z-ai/glm-5.3 — even Q4_K_M wants 455.624 GiB; pool is 24 GiB
- qwen/qwen3.8-2.4t-a95b — even Q4_K_M wants 1450.719 GiB; pool is 24 GiB
- moonshotai/kimi-k3 — even Q4_K_M wants 1691.5 GiB; pool is 24 GiB
- z-ai/glm-5.2 — even Q4_K_M wants 455.624 GiB; pool is 24 GiB
- moonshotai/kimi-k2.7-code — even Q4_K_M wants 604.75 GiB; pool is 24 GiB
- nvidia/nemotron-3-ultra-550b-a55b — even Q4_K_M wants 333.063 GiB; pool is 24 GiB
- minimax/minimax-m3 — even Q4_K_M wants 259.405 GiB; pool is 24 GiB
- deepseek/deepseek-v4-pro — even Q4_K_M wants 967 GiB; pool is 24 GiB
- deepseek/deepseek-v4-flash — even Q4_K_M wants 172.465 GiB; pool is 24 GiB
- mistralai/mistral-small-2603 — even Q4_K_M wants 73.2 GiB; pool is 24 GiB
- mistralai/mistral-large-2512 — even Q4_K_M wants 408.531 GiB; pool is 24 GiB
- deepseek/deepseek-v3.2 — even Q4_K_M wants 406.116 GiB; pool is 24 GiB
- openai/gpt-oss-120b — even Q4_K_M wants 72.201 GiB; pool is 24 GiB
- meta-llama/llama-4-maverick — even Q4_K_M wants 242.5 GiB; pool is 24 GiB
- meta-llama/llama-4-scout — even Q4_K_M wants 66.809 GiB; pool is 24 GiB
- cohere/command-a — even Q4_K_M wants 68.016 GiB; pool is 24 GiB
Ytterligare detaljer (valfritt)
Ändrar inte rangordningen. Valfri AI-analys av dina anteckningar mot siffrorna ovan, med NVIDIA NIM:s starkaste modeller.
Så tas siffran fram
Vikter: en uppmätt GGUF-storlek när vi har en, annars totala parametrar × bitar per vikt ÷ 8. Q4_K_M behandlas som 4,83 bitar per parameter. MoE-minne använder totala parametrar, inte aktiva.
KV-cache, när lager- och huvudgeometrin är källbelagd: 2 × kvLayers × kvHeads × headDim × kontext × 2 byte (FP16, batch 1). Hybridmodeller använder antalet attentionlager, inte alla lager. Saknas geometrin utelämnas cachen, och det anges.
1 GiB läggs till för CUDA och körtid. Apples enhetliga minne använder RAM som pool. Enbart CPU är en minnespassning, inte ett hastighetspåstående. DDR-generationen ignoreras för passningen — den ändrar bandbredd, inte om vikterna ryms i minnet.
Endast katalograder med openWeights=true är kandidater. Det finns 25 sådana rader; 25 har källbelagda storlekar. Obetygsatta modeller som får plats listas separat. En högre poäng betyder inte ett rakt byte.
RAM-typ (DDR4/DDR5/LPDDR) är inte ett fält. Den ändrar inte om en modell får plats.