ERNIE 4.5 21B-A3B (文心) auf RTX 5090 D (32GB) — VRAM, KV-Cache & Token/s

ERNIE 4.5 21B-A3B (文心) (21B gesamt, 3B aktiv, Sparse MoE + GQA) benötigt 11.96 GiB für 4-Bit-Gewichte (Q4_K_M), 12.96 GiB gesamt bei 8K Kontext und 14.27 GiB bei 32K auf RTX 5090 D (~232.6 tok/s).

Interaktiver Dimensionierungs-Konfigurator

Vollständigen Bericht öffnen →

Open-Weight-Modell21B / 3B

Gewichte & QuantisierungQ4_K_M · 11.96 GiB

Kontextfenster8,192 (8K)

Ziel-Hardware

32 GB · 1792 GB/s

GPU-Anzahl (Tensor Parallel)

Parallele Sequenzen (Batch Size)

KV-Cache-Präzision

Inferenz-Engine

System-RAM-Offload (CPU)0%

Passt mit sicherer Reserve

Aus config.json abgeleitet HF config.json ↗

Speicheraufteilung im Detail (GiB) 12.96 GiB (13.92 GB) / 32 GiB (41%)

Modellgewichte: 11.96 GiB KV-Cache & Zustand: 0.44 GiB Engine- & Aktivierungspuffer: 0.56 GiB System-RAM-Offload (CPU): 0 GiB

Benötigter GPU-Speicher

12.96 GiB

13.92 GB (dezimal)

Nutzbarer Hardware-Speicher

30.4 GiB

32 GB (physisch)

Sicherheitsreserve

+17.44 GiB

41% Auslastung

Geschätzter Decode-Durchsatz

~232.6 tok/s

3B aktive Parameter

Geschätzter Prefill-Durchsatz

~16033 tok/s

4K-Prompt TTFT: ~255 ms

Kosten / 1 Mio. Tokens

$0.15

Sparse MoE + GQA · Apache-2.0

Empfohlene Hardware für diese Konfiguration

Beste Einzel-GPU

RTX 4060 Ti 16GB (16GB)

~$430

Preis-Leistungs- / Gebraucht-GPU

RTX 3090 (24GB)

~$750

Apple Unified Memory

Ryzen AI Max+ 395 128GB

~$1,999

Cloud ab

Vast.ai · $0.12 / Std.

1x RTX 4060 Ti 16GB

Produktionsreife Startbefehle

llama.cpp (GGUF)

llama-server -hf unsloth/ERNIE-4.5-21B-A3B-PT-GGUF:Q4_K_M \
  --ctx-size 8192 -ngl 999 --flash-attn

vLLM

vllm serve baidu/ERNIE-4.5-21B-A3B-PT \
  --max-model-len 8192 --gpu-memory-utilization 0.92

Echtzeit-Token-Geschwindigkeitssimulator (TTFT ~255ms · ~232.6 tok/s)

[ERNIE 4.5 21B-A3B (文心) · 12.96 GiB] auf Ziel-GPU reserviert. Prefill abgeschlossen; generiere Token in Echtzeit mit der berechneten Rate...

Cloud-GPU-Preisvergleich & Mieten-vs.-Kaufen-TCO

Verifizierte öffentliche Tarife von RunPod, Vast.ai, Vultr und DigitalOcean.

Geprüft am: 2026-11-05

Aktive Nutzung (Stunden / Tag)4 Std. / Tag

Lokales Hardware-Budget ($)

Stromtarif ($/kWh)

Kauf-Amortisation

~23.4 Monate

Geschätzte Stromkosten: $3.51 / Monat

Anbieter	Empfohlene Instanz	Gesamt-VRAM	Stundensatz	Monatlich (bei Auswahl)	Abrechnungsmodell	Starten
RunPod	1x RTX 5060 Ti 16GB (Community Cloud)	16 GB	$0.18 / Std.	$21.89 / Monat	Sekundengenau	GPU starten ↗
Vast.ai	1x RTX 4060 Ti 16GB (Verifizierter Host)	16 GB	$0.12 / Std.	$14.84 / Monat	Spot / On-Demand	GPU starten ↗
*Vultr ($300 Free Credit)**	1x L40S 48GB (Dedizierte Instanz · $300 Credit*)	48 GB	$1.67 / Std.	$203.19 / Monat	Stündlich	GPU starten ↗
Vultr Cloud GPU	1x L40S 48GB (Dedizierte Instanz)	48 GB	$1.67 / Std.	$203.19 / Monat	Stündlich	GPU starten ↗
DigitalOcean	1x RTX 6000 Ada (Dedizierte Instanz)	48 GB	$1.57 / Std.	$190.91 / Monat	Sekundengenau	GPU starten ↗

Preise entsprechen den öffentlichen Tarifen am Prüfdatum und variieren je nach Region und Verfügbarkeit.

Fine-Tuning VRAM-Bedarf (QLoRA / LoRA / Voll) — ERNIE 4.5 21B-A3B (文心)

QLoRA (4b) Passt mit sicherer Reserve

14.19 GiB

Modellgewichte: 11.96 GiB · Gradienten + Optimizer: 1.2 GiB · Act: 1.03 GiB

Empfohlene GPU: RTX 4060 Ti 16GB (16GB)

LoRA (16b) Überschreitet verfügbaren GPU-Speicher

42.28 GiB

Modellgewichte: 39.12 GiB · Gradienten + Optimizer: 1.8 GiB · Act: 1.36 GiB

Empfohlene GPU: A40 48GB (48GB)

Voll-FT Überschreitet verfügbaren GPU-Speicher

162.79 GiB

Modellgewichte: 39.12 GiB · Gradienten + Optimizer: 121.27 GiB · Act: 2.4 GiB

Empfohlene GPU: Instinct MI300X 192GB (192GB)

Engineering-Diagnose & Optimierungsleitfaden

Schnelles Hardware-Fazit

Die RTX 5090 D (32GB physisch, 30.4 GiB nutzbar) führt ERNIE 4.5 21B-A3B (文心) in 4-Bit (Q4_K_M) bei 8K Kontext mit 12.96 GiB und 17.44 GiB Reserve stabil aus (~232.6 tok/s).

KV-Cache- & Engine-Tuning

ERNIE 4.5 21B-A3B (文心) nutzt Sparse MoE + GQA (21B gesamt, 3B aktiv pro Token). Zwischen 8K und 32K Kontext steigt der FP16-KV-Cache von 0.44 GiB auf 1.75 GiB; mit FP8/Q8_0-KV-Quantisierung sparen Sie bei 32K 0.87 GiB (gesamt 13.4 GiB).

VRAM-Skalierung nach Kontextfenster (4K bis 128K, 4-Bit-Gewichte)

Die Modellgewichte bleiben konstant, während der Attention-KV-Cache mit der Kontextlänge wächst.

Quantisierungs-, Speicher- & Durchsatzmatrix — ERNIE 4.5 21B-A3B (文心) @ 8K

Quantisierungsformat	Gewichte (GiB)	KV-Cache	Gesamt-VRAM (GiB)	Decode-Tempo	Kompatibilität (RTX 5090 D)	Empfohlene GPU	Datenquelle
Native Gewichte (BF16 / FP8 / MXFP4 — Verlustfrei) (BF16)	39.12 GiB	0.44 GiB	40.12 GiB (43.08 GB)	~31.2 tok/s	Überschreitet verfügbaren GPU-Speicher	A40 48GB (48GB)	Offizielle Checkpoint-Größe
FP8 / GGUF Q8_0 (8-Bit — Nahezu Verlustfrei) (Q8_0)	20.78 GiB	0.44 GiB	21.78 GiB (23.39 GB)	~173.8 tok/s	Passt mit sicherer Reserve	Arc Pro B60 24GB (24GB)	Aus config.json abgeleitet
GGUF Q6_K (6-Bit — Hohe Präzision) (Q6_K)	16.04 GiB	0.44 GiB	17.04 GiB (18.3 GB)	~201.2 tok/s	Passt mit sicherer Reserve	Arc Pro B60 24GB (24GB)	Aus config.json abgeleitet
GGUF Q5_K_M (5-Bit — Ausgewogen) (Q5_K_M)	13.96 GiB	0.44 GiB	14.96 GiB (16.06 GB)	~216.1 tok/s	Passt mit sicherer Reserve	Arc Pro B60 24GB (24GB)	Aus config.json abgeleitet
Q4_K_M / UD-Q4_K_XL / AWQ (4-Bit — Empfohlen) (Q4_K_M)	11.96 GiB	0.44 GiB	12.96 GiB (13.92 GB)	~232.6 tok/s	Passt mit sicherer Reserve	RTX 4060 Ti 16GB (16GB)	Aus config.json abgeleitet
GGUF IQ4_XS (4.25-Bit — Kompakt) (IQ4_XS)	10.47 GiB	0.44 GiB	11.47 GiB (12.32 GB)	~246.7 tok/s	Passt mit sicherer Reserve	RTX 4060 Ti 16GB (16GB)	Aus config.json abgeleitet
GGUF Q3_K_M (3-Bit — Wenig VRAM) (Q3_K_M)	9.63 GiB	0.44 GiB	10.63 GiB (11.41 GB)	~255.5 tok/s	Passt mit sicherer Reserve	RTX 4060 Ti 16GB (16GB)	Aus config.json abgeleitet
GGUF UD-Q2_K_XL (2-Bit — MoE Extrem) (UD-Q2_K_XL)	6.83 GiB	0.44 GiB	7.83 GiB (8.41 GB)	~289.6 tok/s	Passt mit sicherer Reserve	RTX 4060 Ti 16GB (16GB)	Aus config.json abgeleitet

Technische Spezifikationen & Häufige Fragen (FAQ)

Kann die RTX 5090 D (32GB) ERNIE 4.5 21B-A3B (文心) ausführen?

In 4-Bit (Q4_K_M) bei 8K Kontext benötigt ERNIE 4.5 21B-A3B (文心) insgesamt 12.96 GiB VRAM (11.96 GiB Gewichte + 0.44 GiB KV-Cache + 0.56 GiB Puffer) bei 30.4 GiB nutzbarem Speicher auf der RTX 5090 D (~232.6 tok/s Decode).

Wie viel VRAM benötigt ERNIE 4.5 21B-A3B (文心) bei 32K Kontextlänge?

Bei 32.768 Tokens Kontextfenster belegt der KV-Cache 1.75 GiB, womit der gesamte 4-Bit-VRAM-Bedarf auf 14.27 GiB (15.32 GB dezimal) steigt.

Dieses Modell auf anderen GPUs testen

RTX 3060 12GB (12GB)RTX 4060 Ti 16GB (16GB)RTX 5060 Ti 16GB (16GB)RTX 4070 Ti Super (16GB)RTX 4080 Super (16GB)RTX 5070 12GB (12GB)RTX 5070 Ti (16GB)RTX 5080 (16GB)RTX 3090 (24GB)RTX 4090 (24GB)RTX 4090 D (24GB)RTX 5090 (32GB)RTX A6000 (48GB)RTX 6000 Ada (48GB)RTX PRO 6000 Blackwell (96GB)DGX Spark (GB10 128GB) (128GB)L4 24GB (24GB)A40 48GB (48GB)L20 48GB (48GB)L40S 48GB (48GB)A800 80GB SXM (80GB)A100 80GB SXM (80GB)H800 80GB SXM (80GB)H100 80GB SXM (80GB)H20 96GB HBM3 (96GB)H20 141GB HBM3e (141GB)H200 141GB SXM (141GB)B200 180GB (180GB)B300 288GB Blackwell Ultra (288GB)Ascend 910B 64GB (昇腾) (64GB)Ascend 910C 128GB (昇腾) (128GB)Atlas 300I Duo 96GB (310P) (96GB)MLU590 80GB (寒武纪思元) (80GB)DCU K100-AI 64GB (海光深算) (64GB)MetaX C500 64GB (沐曦曦云) (64GB)Kunlunxin P800 64GB (昆仑芯) (64GB)MTT S4000 48GB (摩尔线程) (48GB)Radeon RX 7900 XTX 24GB (24GB)Radeon AI PRO R9700 32GB (32GB)Ryzen AI Max+ 395 128GB (128GB)Instinct MI300X 192GB (192GB)Instinct MI325X 256GB (256GB)Instinct MI355X 288GB (288GB)Arc Pro B60 24GB (24GB)Gaudi 3 128GB HBM2e (128GB)Mac mini M4 Pro 64GB (64GB)MacBook Pro M4 Max 128GB (128GB)Mac Studio M4 Ultra 256GB (256GB)Mac Studio M3 Ultra 512GB (512GB)

Weitere Modelle auf dieser Hardware testen

Qwen3.8 Flash Next (125B-A6B)Qwen3.8 27B Qwen3.8 2.4T-A95B Qwen3.6 35B-A3B Qwen3.5 397B-A17B Qwen3.5 122B-A10B Qwen3.5 35B-A3B Qwen3.5 27B Qwen3.5 9B Qwen3.5 4B Qwen3 Coder 480B-A35B Qwen3 Coder Next 80B-A3B Qwen3 Coder 30B-A3B Qwen3 30B-A3B Instruct 2507 Qwen3 235B-A22B Instruct 2507 Qwen3 32B Qwen3 14B Qwen3 8B Qwen3 4B Instruct 2507 Qwen3 1.7B Qwen3 0.6B Qwen2.5 72B Instruct Qwen2.5 Coder 32B Instruct QwQ 32B Reasoning DeepSeek V4.1 Flash (552B-A16B)DeepSeek V4 Flash DeepSeek V3.2 (685B)DeepSeek R1-0528 671B DeepSeek V3-0324 671B DeepSeek R1 Distill Llama 70B DeepSeek R1 Distill Qwen 32B DeepSeek R1 Distill Qwen 14B DeepSeek R1 Distill Llama 8B gpt-oss-20b gpt-oss-120b Gemma 4 31B IT Gemma 4 26B-A4B IT Gemma 4 12B IT Gemma 4 E4B IT Gemma 4 E2B IT Gemma 3 27B IT Gemma 3 12B IT Gemma 3 4B IT GLM-5.3 Flash (320B-A18B)GLM-5.3 (753B)GLM-5 (744B)GLM-4.5 (355B-A32B)GLM-4.5 Air (110B-A12B)GLM-4 32B-0414 Kimi K3.1 Pro (2.8T-A104B)Kimi K3 (2.8T-A104B)Kimi K2 Instruct (1T-A32B)Kimi-Dev 72B MiniMax M3.1 Flash (428B-A23B)MiniMax M2.5 (229B-A10B)Step-5 Preview (600B-A27B)Step-3.7 Flash (198B-A11B)Step-3.5 Flash (197B-A11B)ERNIE 4.5 300B-A47B (文心)Hunyuan A13B Instruct (混元 80B)MiniCPM5 2B (面壁)Llama 4 Maverick 17B-128E (400B)Llama 4 Scout 17B-16E (109B)Llama 3.1 405B Instruct Llama 3.3 70B Instruct Llama 3.1 8B Instruct Llama 3.2 3B Instruct Mistral Large 4 (1T-A52B)Mistral Large 2 123B Mixtral 8x22B Instruct Mixtral 8x7B Instruct Mistral Small 3.2 24B Devstral Small 24B Nemotron 3 Ultra 550B-A55B Nemotron 3 Super 120B-A12B Nemotron 3 Nano 30B-A3B Cohere Command A 111B Phi-4 14B Liquid LFM3 1.7B