gemma-4-E2B-it

Google · 5.1B · ctx 128K · apache-2.0 · HuggingFace

gemma-4-E2B-it (Google) is a 5.1B parameters open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 4.83 GB VRAM for Q4 (weights 2.81 GB + KV 1.02 GB + 1 GB overhead) and 12.22 GB for FP16. About 50 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 998.2 tok/s (estimated); MI300X 192GB ≈ 661.3 tok/s (estimated); H200 141GB SXM5 ≈ 598.9 tok/s (estimated); H100 80GB SXM5 ≈ 418.0 tok/s (estimated); Gaudi 3 128GB ≈ 408.8 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

100 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	998.2 est.	Yes	0.025
MI300X 192GB	192	Q4	661.3 est.	Yes	0.044
H200 141GB SXM5	141	Q4	598.9 est.	Yes	0.017
H100 80GB SXM5	80	Q4	418.0 est.	Yes	0.014
Gaudi 3 128GB	128	Q4	408.8 est.	Yes	0.033
B200 192GB SXM	192	FP16	274.5 est.	Yes	0.007
A100 80GB SXM4	80	Q4	254.4 est.	Yes	0.017
RTX 5090 32GB	32	Q4	223.6 est.	Yes	0.112
MI300X 192GB	192	FP16	181.9 est.	Yes	0.012
H200 141GB SXM5	141	FP16	164.7 est.	Yes	0.005
RTX 4090 24GB	24	Q4	125.8 est.	Yes	0.079
RTX 4090D 24GB (China)	24	Q4	125.8 est.	Yes	0.079
RTX 3090 Ti 24GB	24	Q4	125.8 est.	Yes	0.063
RTX 5080 16GB	16	Q4	119.8 est.	Yes	0.12
RX 7900 XTX 24GB	24	Q4	119.8 est.	Yes	0.12
RTX 6000 Ada 48GB	48	Q4	119.8 est.	Yes	0.018
RTX 3090 24GB	24	Q4	116.8 est.	Yes	0.078
H100 80GB SXM5	80	FP16	115.0 est.	Yes	0.004
Gaudi 3 128GB	128	FP16	112.4 est.	Yes	0.009
RTX 5070 Ti 16GB	16	Q4	111.8 est.	Yes	0.149
L40S 48GB	48	Q4	107.8 est.	Yes	0.013
Mac Studio M3 Ultra 96GB	96	Q4	102.2 est.	Yes	0.026
Mac Studio M2 Ultra 192GB	192	Q4	99.8 est.	Yes	0.014
RX 7900 XT 20GB	20	Q4	99.8 est.	Yes	0.111
RTX A6000 48GB	48	Q4	95.8 est.	Yes	0.021
RTX 3080 10GB	10	Q4	94.8 est.	Yes	0.136
RTX 4080 Super 16GB	16	Q4	91.8 est.	Yes	0.092
RTX 4070 Ti Super 16GB	16	Q4	83.9 est.	Yes	0.105
RTX 5070 12GB	12	Q4	83.9 est.	Yes	0.153
RX 9070 16GB	16	Q4	79.9 est.	Yes	0.146
RX 9070 XT 16GB	16	Q4	79.9 est.	Yes	0.133
RX 7800 XT 16GB	16	Q4	77.9 est.	Yes	0.156
RX 7900 GRE 16GB	16	Q4	71.9 est.	Yes	0.131
A100 80GB SXM4	80	FP16	70.0 est.	Yes	0.005
Arc A770 16GB	16	Q4	69.9 est.	Yes	0.2
RTX 4070 Ti 12GB	12	Q4	69.1 est.	Yes	0.086
MacBook Pro M4 Max 128GB	128	Q4	68.1 est.	Yes	0.015
RTX 5070 12GB	12	FP16	63.5 est.	No	0.116
RTX 4070 12GB	12	Q4	62.9 est.	Yes	0.105
RTX 4070 Super 12GB	12	Q4	62.9 est.	Yes	0.105
RTX 5090 32GB	32	FP16	61.5 est.	Yes	0.031
Arc B580 12GB	12	Q4	56.9 est.	Yes	0.229
RTX 5060 8GB	8	Q4	55.9 est.	Yes	0.187
RTX 5060 Ti 8GB	8	Q4	55.9 est.	Yes	0.147
RTX 5060 Ti 16GB	16	Q4	55.9 est.	Yes	0.13
RTX 3070 8GB	8	Q4	55.9 est.	Yes	0.112
RX 7700 XT 12GB	12	Q4	53.9 est.	Yes	0.12
RTX 4070 Ti 12GB	12	FP16	52.4 est.	No	0.066
RTX 3080 10GB	10	FP16	49.9 est.	No	0.071
MacBook Pro M3 Max 128GB	128	Q4	49.9 est.	Yes	0.012
RTX 4070 12GB	12	FP16	47.6 est.	No	0.079
RTX 4070 Super 12GB	12	FP16	47.6 est.	No	0.079
Arc B570 10GB	10	Q4	47.4 est.	Yes	0.216
RTX 3060 12GB	12	Q4	44.9 est.	Yes	0.136
Arc B580 12GB	12	FP16	43.1 est.	No	0.173
RX 7700 XT 12GB	12	FP16	40.8 est.	No	0.091
T4 16GB	16	Q4	39.9 est.	Yes	0.02
RTX 4060 Ti 8GB	8	Q4	35.9 est.	Yes	0.09
RTX 4060 Ti 16GB	16	Q4	35.9 est.	Yes	0.072
RX 7600 8GB	8	Q4	35.9 est.	Yes	0.133
RX 7600 XT 16GB	16	Q4	35.9 est.	Yes	0.109
RTX 4090 24GB	24	FP16	34.6 est.	Yes	0.022
RTX 4090D 24GB (China)	24	FP16	34.6 est.	Yes	0.022
RTX 3090 Ti 24GB	24	FP16	34.6 est.	Yes	0.017
Mac mini M4 Pro 64GB	64	Q4	34.1 est.	Yes	0.016
RTX 3060 12GB	12	FP16	34.0 est.	No	0.103
RTX 4060 8GB	8	Q4	33.9 est.	Yes	0.113
RTX 5080 16GB	16	FP16	32.9 est.	Yes	0.033
RX 7900 XTX 24GB	24	FP16	32.9 est.	Yes	0.033
RTX 6000 Ada 48GB	48	FP16	32.9 est.	Yes	0.005
RTX 3090 24GB	24	FP16	32.1 est.	Yes	0.021
RTX 5070 Ti 16GB	16	FP16	30.7 est.	Yes	0.041
L40S 48GB	48	FP16	29.6 est.	Yes	0.004
Mac Studio M3 Ultra 96GB	96	FP16	28.1 est.	Yes	0.007
Mac Studio M2 Ultra 192GB	192	FP16	27.5 est.	Yes	0.004
RX 7900 XT 20GB	20	FP16	27.5 est.	Yes	0.031
RTX A6000 48GB	48	FP16	26.4 est.	Yes	0.006
RTX 4080 Super 16GB	16	FP16	25.3 est.	Yes	0.025
Arc B570 10GB	10	FP16	24.9 est.	No	0.114
RTX 4070 Ti Super 16GB	16	FP16	23.1 est.	Yes	0.029
RX 9070 16GB	16	FP16	22.0 est.	Yes	0.04
RX 9070 XT 16GB	16	FP16	22.0 est.	Yes	0.037
RX 7800 XT 16GB	16	FP16	21.4 est.	Yes	0.043
RX 7900 GRE 16GB	16	FP16	19.8 est.	Yes	0.036
Arc A770 16GB	16	FP16	19.2 est.	Yes	0.055
RTX 5060 8GB	8	FP16	18.8 est.	No	0.063
RTX 5060 Ti 8GB	8	FP16	18.8 est.	No	0.05
RTX 3070 8GB	8	FP16	18.8 est.	No	0.038
MacBook Pro M4 Max 128GB	128	FP16	18.7 est.	Yes	0.004
RTX 5060 Ti 16GB	16	FP16	15.4 est.	Yes	0.036
Mac mini M4 32GB	32	Q4	15.0 est.	Yes	0.015
MacBook Pro M3 Max 128GB	128	FP16	13.7 est.	Yes	0.003
RTX 4060 Ti 8GB	8	FP16	12.1 est.	No	0.03
RX 7600 8GB	8	FP16	12.1 est.	No	0.045
RTX 4060 8GB	8	FP16	11.4 est.	No	0.038
T4 16GB	16	FP16	11.0 est.	Yes	0.005
RTX 4060 Ti 16GB	16	FP16	9.9 est.	Yes	0.02
RX 7600 XT 16GB	16	FP16	9.9 est.	Yes	0.03
Mac mini M4 Pro 64GB	64	FP16	9.4 est.	Yes	0.004
Mac mini M4 32GB	32	FP16	4.1 est.	Yes	0.004

Fit checks

• RTX 5090 32GB — fits · ≈223.6 tok/s Q4 est.
• RTX 3090 Ti 24GB — fits · ≈125.8 tok/s Q4 est.
• RTX 4090 24GB — fits · ≈125.8 tok/s Q4 est.
• RTX 5080 16GB — fits · ≈119.8 tok/s Q4 est.
• RTX 6000 Ada 48GB — fits · ≈119.8 tok/s Q4 est.
• RX 7900 XTX 24GB — fits · ≈119.8 tok/s Q4 est.
• RTX 3090 24GB — fits · ≈116.8 tok/s Q4 est.
• RTX 5070 Ti 16GB — fits · ≈111.8 tok/s Q4 est.
• L40S 48GB — fits · ≈107.8 tok/s Q4 est.
• Mac Studio M3 Ultra 96GB — fits · ≈102.2 tok/s Q4 est.
• Mac Studio M2 Ultra 192GB — fits · ≈99.8 tok/s Q4 est.
• RX 7900 XT 20GB — fits · ≈99.8 tok/s Q4 est.

12 popular retail GPUs; every row in the table above also links its Fits? verdict to the full fit check.