RTX 3060 12G 跑 8B 模型，能跑多少 token？

口径：Windows 水位（WDDM 桌面合成器实测占用 0.5–1.5GB，取 12% 余量）＋1G 框架开销；速度 = 带宽×效率÷每 token 读取字节数，粗算 ±30%，非实测。实测投稿见页尾。

量化 × 上下文 × 状态 × 估算速度

上下文	量化档	权重 G	KV G	总需求 G	状态	估算 tok/s（±30%）	框架建议
4K	Q8_0	8.5	0.56	10.1	能跑但紧	23–33	llama.cpp 单卡（降 KV 量化可再 25%）
16K	Q8_0	8.5	2.25	11.8	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
32K	Q8_0	8.5	4.5	14	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
64K 超原生·rope外推	Q8_0	8.5	9	18.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	Q8_0	8.5	18	27.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q8_0	8.5	36	45.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	Q6_K	6.6	0.56	8.1	能跑但紧	30–42	llama.cpp 单卡（降 KV 量化可再 25%）
16K	Q6_K	6.6	2.25	9.8	能跑但紧	23–31	llama.cpp 单卡（降 KV 量化可再 25%）
32K	Q6_K	6.6	4.5	12.1	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
64K 超原生·rope外推	Q6_K	6.6	9	16.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	Q6_K	6.6	18	25.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q6_K	6.6	36	43.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	Q5_K_M	5.6	0.56	7.2	流畅	34–48	llama.cpp 单卡即可；多并发换 vLLM
16K	Q5_K_M	5.6	2.25	8.9	能跑但紧	25–35	llama.cpp 单卡（降 KV 量化可再 25%）
32K	Q5_K_M	5.6	4.5	11.1	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
64K 超原生·rope外推	Q5_K_M	5.6	9	15.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	Q5_K_M	5.6	18	24.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q5_K_M	5.6	36	42.6	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	Q4_K_M	4.8	0.56	6.4	流畅	39–55	llama.cpp 单卡即可；多并发换 vLLM
16K	Q4_K_M	4.8	2.25	8.1	能跑但紧	28–38	llama.cpp 单卡（降 KV 量化可再 25%）
32K	Q4_K_M	4.8	4.5	10.3	能跑但紧	20–27	llama.cpp 单卡（降 KV 量化可再 25%）
64K 超原生·rope外推	Q4_K_M	4.8	9	14.8	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	Q4_K_M	4.8	18	23.8	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	Q4_K_M	4.8	36	41.8	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ4_XS	4.3	0.56	5.8	流畅	43–61	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ4_XS	4.3	2.25	7.5	流畅	30–41	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ4_XS	4.3	4.5	9.8	能跑但紧	21–29	llama.cpp 单卡（降 KV 量化可再 25%）
64K 超原生·rope外推	IQ4_XS	4.3	9	14.3	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	IQ4_XS	4.3	18	23.3	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	IQ4_XS	4.3	36	41.3	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ3_K	3.5	0.56	5.1	流畅	51–71	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ3_K	3.5	2.25	6.8	流畅	33–46	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ3_K	3.5	4.5	9	能跑但紧	23–31	llama.cpp 单卡（降 KV 量化可再 25%）
64K 超原生·rope外推	IQ3_K	3.5	9	13.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	IQ3_K	3.5	18	22.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	IQ3_K	3.5	36	40.5	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
4K	IQ3_XXS	3	0.56	4.6	流畅	57–80	llama.cpp 单卡即可；多并发换 vLLM
16K	IQ3_XXS	3	2.25	6.3	流畅	36–49	llama.cpp 单卡即可；多并发换 vLLM
32K	IQ3_XXS	3	4.5	8.5	能跑但紧	24–33	llama.cpp 单卡（降 KV 量化可再 25%）
64K 超原生·rope外推	IQ3_XXS	3	9	13	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
128K 超原生·rope外推	IQ3_XXS	3	18	22	装不下	—	装不下：换低档量化 / 卸载层 / 双卡
256K 超原生·rope外推	IQ3_XXS	3	36	40	装不下	—	装不下：换低档量化 / 卸载层 / 双卡

KV 列按模型架构常数实算（全注意力层线性，36 层中 36 层需全量 KV）；粗算口径，误差 ±30%，标注超原生的行需要模型本身支持 rope 外推才真实可用。

实测锚点：这个组合已有的真机数字

本组合暂无真机记录。上表全是公式推算——不是我们藏着实测，是确实还没有。有这个组合真机输出的同学，上传实测数据，核实后上表并署名。

投机解码

LLaMA 系可用外置 draft 小模型投机解码：llama.cpp 加 --model-draft，vLLM 用 --speculative-config；本模型无原生 MTP 层。

四大主流框架怎么跑这个组合

框架	方式	显存开销	量化支持	启动命令模板
llama.cpp	CLI / llama-server	约 0.3–1.0G	GGUF 全系（IQ2_XXS…Q8_0）	`llama-server -m <model>.gguf -ngl 99 -c 32768 --cache-type-k q8_0`
vLLM	服务化 / 多并发	约 1–2G	AWQ / GPTQ / FP8 / GGUF（新版）	`vllm serve <HF-repo> --max-model-len 32768 --gpu-memory-utilization 0.92`
Ollama	一键桌面	约 0.5–1.5G	Q4_K_M / Q8_0 等预设档	`ollama run qwen3:8b`
LM Studio	图形界面	约 1–2G	GGUF 主流档	`（界面加载 GGUF 即可，无命令行）`

量化档最全、显存最省；单流速度上限高，多并发弱。投机解码用 --model-draft 小 draft 模型。并发吞吐高、PagedAttention 省 KV；显存调度激进，小卡反而吃亏。投机用 --speculative-config。部署最简单（Windows/macOS/Linux），档位少、可控参数少；本质是 llama.cpp 封装。非技术用户首选；显存水位比同引擎 llama.cpp 略高（桌面 + JIT）。

来源链接（我们只整理，不抄数字）

模型官方仓库：huggingface.co/Qwen/Qwen3-8B —— 权重、模型卡与 config.json 权威源（KV/层数等架构常数从这里核对）。
llama.cpp 性能与量化文档 —— 框架参数/量化定义权威源。
vLLM 文档 —— 显存调度/投机解码参数。
Qwen 官方仓库 —— 模型卡与 config.json 权威源。
实测投稿：本表 tok/s 全为公式推算。有真机输出（框架版本 + 量化 + 上下文 + `llama-bench` 曲线）的同学，可上传实测数据，核实后上表并署名。