RTX 5090 для локального ИИ: что дают 32 ГБ памяти

Вердикт: брать или искать альтернативу

Брать, если нужны CUDA и больше контекста для 27B, чем дают карты на 24 ГБ; Qwen3.8 27B Q4 — до 128K по таблице. 32 ГБ, 1792 ГБ/с и 575 Вт (TGP).
Не брать, если цель — Llama 3.1 70B Q4 целиком в VRAM.
Вместо этого посмотрите для той же модели Q4: GeForce RTX 4090: 64K, 1008 ГБ/с, 450 Вт (TGP).

Что помещается в память

Ориентир скорости (сторонний замер)

Автор: totaldev. Дата прогона не указана. ngl 99 (CUDA) / 100 (Vulkan); ОС, драйвер, batch и питание в строке не указаны. Запись и условия ↗

По tg ≈300,4 — выше RTX PRO 6000 Blackwell Workstation Edition (tg ≈281,1) в той же сводке.

Сторонние прогоны на разных сборках; позиция в сводке не заменяет тест вашей модели.

Первый запуск на GPU

Для GGUF используйте CUDA-бэкенд Ollama, LM Studio или llama.cpp. Для Blackwell нужна поддерживающая архитектуру сборка; текущая инструкция ComfyUI рекомендует PyTorch cu130.

Ollama по VRAM выбирает 32K по умолчанию. 32K может занимать больше памяти, чем нужно для короткого запроса; уменьшить его можно, например, до 8K: /set parameter num_ctx 8192. Для Qwen2.5 32B Instruct Q4 расчётный максимум из таблицы — 32K: /set parameter num_ctx 32768 в чате CLI; у сервера — OLLAMA_CONTEXT_LENGTH=32768 перед запуском. Задавайте окно не больше этого максимума. Проверьте PROCESSOR и CONTEXT через ollama ps. Как задать переменную в своей ОС.

Питание и подключение

Условия расчёта и сравнение

Максимум — из ряда 4K–256K, все языковые веса на GPU, KV FP16, резерв 1,5 ГиБ; vision, MTP и пик prefill исключены. Если не помещается, итог дан для 4K; для gpt-oss — native и sliding-кэш окна. Это оценка, не замер и не гарантия запуска. Мощность — паспортная; подключение относится к исполнению в подписи таблицы. Общая методика и команды. Сравнить со всеми картами.