排名更新于 09/10/2026
8 GB 显存是本地 AI 的入门档位——RTX 3060 8GB、4060、5060、3070、2080 等。70 亿至 90 亿参数的模型采用 Q4_K_M 量化后可轻松装入显存。以下是这一显存容量下的最佳选择。
RTX 4060 Ti 8GB ：可选购的本地 AI 替代方案 — RTX 5060 Ti 16 GB :
如何根据预算选择电脑？看看我们推荐的 800 至 3,500 欧元价位的电脑 →
联盟链接——哪个LLM可能从购买中获得佣金，您无需承担额外费用，这不会影响排名（排名独立制定）。作为亚马逊合作伙伴，哪个LLM会从符合条件的购买中获益。
Dense 8B Apache 2.0，支持 12 种语言（含法语），131k 上下文，GQA 32Q/8KV。MMLU 73.84，HumanEval 85.37。发布于 2026 年 4 月 29 日。
# HuggingFace : ibm-granite/granite-4.1-8b
Gemma 4 12B（Google）：稠密多模态模型（文本、视觉、音频），256k 上下文，Q4 约 7 GB VRAM。Apache 2.0，多语言支持。
# HuggingFace : google/gemma-4-12B
Granite 4.2 8B（IBM）：Apache 2.0 稠密模型，128k 上下文，Q4 量化约需 4.6 GB 显存。面向企业级多语言聊天、代码和推理。
ollama pull granite4.2
OLMo 3 7B 的「thinking」SFT 微调：逐步推理，16k 上下文，Q4 约需 4.2 GB 显存。100% 开放，Apache 2.0 许可证。
# HuggingFace : zimplex/olmo3-7b-think-sft-eosfix-16k-3ep-euc
GLM 5.3（智谱）：7B 稠密模型，专攻代码与推理，128k 上下文，Q4 量化约需 4.1 GB 显存。轻量级，可在配备 6–8 GB 显存的 GPU 上运行，采用 MIT 许可证。
ollama pull glm-5.3
7B 稠密模型，100% 开放（权重 + 数据 + 代码）。为研究提供完全透明的信息。
ollama run olmo-3:7b
思考/快速混合模式。支持 119 种语言，原生上下文为 32k（通过 YaRN 可扩展至 131k）。
ollama run qwen3:8b
LFM2.5 7B（Liquid AI）：稠密 Liquid Foundation Model，32k 上下文，Q4 量化下需 4.1 GB 显存。针对 CPU 和边缘设备优化。2026年5月发布。
ollama pull lfm2.5
| 名次 | 模型 | Params | Q4 VRAM | 上下文 | 许可证 | 在 RTX 4060 Ti 8GB 上 |
|---|---|---|---|---|---|---|
| #1 | Granite 4.1 8B Instruct | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #2 | Gemma 4 12B | 12B | 7 GB | 262 144 | Apache 2.0 | 18 tok/s · Q4_K_M |
| #3 | Granite 4.2 8B | 8B | 4.6 GB | 128 000 | Apache 2.0 | 32 tok/s · Q5_K_M |
| #4 | OLMo 3 7B Think (SFT) | 7B | 4.2 GB | 16 000 | Apache 2.0 | 32 tok/s · Q8 |
| #5 | GLM 5.3 7B | 7B | 4.1 GB | 128 000 | MIT | 32 tok/s · Q8 |
| #6 | OLMo 3 7B | 7B | 5 GB | 8 192 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #7 | Qwen 3 8B | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #8 | LFM2.5 7B | 7B | 4.1 GB | 32 768 | LFM Open License v1.0 | 32 tok/s · Q8 |
只需 1 小时，即可在您的电脑上拥有专属的免费 ChatGPT — LM Studio、Ollama、Open WebUI、您的文档，无需云端。
免费备忘录
接收速查表 显存 → 最佳代码模型 → Ollama 命令 （一屏即可查看，可直接复制粘贴）。再使用本地 Copilot 套件，搭建真正可用的运行环境。
本地副驾驶套件 — 可直接粘贴使用的 Ollama + Cline + Aider 配置、调校好的 Modelfiles、故障排除、可终身使用的在线空间 →无垃圾邮件。1 次点击即可退订。你的数据保留在我们这里（绝不转售）。
你的显卡 → 最适合在本地运行的编程模型，以及准确的 Ollama 命令：
| 你的 VRAM | 典型 GPU / Mac | 推荐的代码模型 | Ollama 命令 |
|---|---|---|---|
| 8 GB | RTX 4060 / 3060 · M1-M2 16 GB | Qwen 3.5 9B (Q4, 6.6 GB — 256k ctx) | ollama run qwen3.5:9b |
| 12 GB | RTX 3060 12 GB / 4070 / 5070 | Qwen 3.5 9B (Q8, 11 GB) 或 Gemma 4 12B (7.6 GB) | ollama run qwen3.5:9b-q8_0 |
| 16 GB | RTX 5070 Ti / 4080 / 5080 · RX 9070 XT · M4 24 GB | Devstral 24B (Q4, 14 GB) — 专长是编程智能体任务 | ollama run devstral:24b |
| 24 GB | RTX 3090 / 4090 · RX 7900 XTX · M4 Pro 48 GB | Qwen 3.8 27B (Q4, 18 GB) — “接近 Copilot” | ollama run qwen3.8:27b |
| 32 GB | RTX 5090 | Qwen 3.6 35B-A3B (Q4, 23 GB) — 快速 MoE | ollama run qwen3.6:35b |
| 48 GB+ | Mac M4 Max 64 GB · M2 Ultra 128 GB | Qwen3-Coder 30B-A3B (Q8, 32 GB — 256k ctx) | ollama run qwen3-coder:30b-a3b-q8_0 |
-base : ollama run qwen2.5-coder:7b-base — 在这一特定用途上，它仍是标杆。⚠️ Qwen 3.8： 其推理强度默认设得很高，处理简单请求时会“过度思考”——请将其调低至 low (或在首次启动时关闭它)。⚠️ 许可证陷阱： Codestral 22B = Mistral Non-Production License（非生产用途许可证） → 禁止用于工作中的编程。Qwen 3.5/3.8、Gemma 4 和 Devstral 采用 Apache 2.0 许可证。💡 因内存不足而崩溃？请预留约 1.5 GB 的显存用于上下文，或将量化精度降低一档。🔌 要将其接入 VS Code： Cline （可处理多个文件的智能体）， Aider (CLI) 或 Tabby/Twinny (FIM 自动补全) — 它们都连接到本地 Ollama。该套件 本地助手 — 可直接粘贴的配置 + 经过测试的设置 — 现已可用： /copilote-local.
筛选条件：Q4 量化下 VRAM ≤ 8 GB 且 ≥ 3 GB（排除利用率低的超小模型）。保留 3-9B 模型，它们在 Q4_K_M 量化下能留出上下文余量。
考虑的标准：
评分完全透明：请参阅 我们的方法论 ，了解 VRAM/每秒令牌数的计算详情。
只有 8 GB 显存，入门该选哪个 LLM？
Granite 4.1 8B Instruct 是最佳入门选择。Mistral 7B，Llama 3.1 8B 和 Qwen 2.5 7B 均表现优异且免费。建议从 Ollama（ollama run mistral:7b-instruct).
能否在 8 GB 显存下运行 Gemma 2 9B？
只能使用 Q4_K_M（模型约占 6 GB + 上下文占 1–2 GB = 合计约 8 GB）。没有足够余量容纳较大的上下文。如果希望轻松使用 32k 以上 token 的上下文，建议选择 Mistral 7B。
8 GB 显存下该选哪种量化？
7–9B 模型选用 Q4_K_M。3–5B 模型选用 Q5_K_M。Q8 仅用于 3B 及以下的模型。
RTX 4060 与 RTX 3060 12GB 哪个更好？
4060 在纯吞吐量上更快（+15-20%），但显存仅限于 8 GB —— 不支持 12B 模型或长上下文。3060 12 GB 虽然性能等级较低，但更适合 LLM 使用。