Qwen3 32B (Q4_1) — 26.8 GBauf NVIDIA V100S

Code Multilingual Thinking Tool Calls

Q4_1 NVIDIA V100S

Überblick

Qwen3 32B ist ein 32B-Parameter dense-Sprachmodell von Qwen, mit Fähigkeiten in code, multilingual, thinking, tool-calls. Es unterstützt ein Kontextfenster von bis zu 40,960 Tokens.

Qwen3 32B ist ein dichter Transformer mit 32 Milliarden Parametern vom Qwen-Team bei Alibaba, der Denkfaehigkeiten mit starker Codegenerierung, Tool Calling und mehrsprachiger Unterstuetzung kombiniert. Er besetzt eine mittlere Parameterklasse, die Schlussfolgerungstiefe mit praktischen Deployment-Anforderungen ausbalanciert und viele groessere Modelle bei Mathematik- und Logik-Benchmarks uebertrifft. Das Modell unterstuetzt 14 Sprachen, darunter Englisch, Chinesisch und Arabisch. Mit einem 40K-Kontextfenster und Flash Attention passt es bei Q4-Quantisierung auf eine einzelne High-End-GPU fuer selbstgehostete Inferenz.

Bei Q4_1-Quantisierung (Qualitätsstufe medium) wiegt das Modell 19.22 GB. Das passt in die 32 GB VRAM von NVIDIA V100S und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	19.22 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	26.8 GB
System-RAM
Min. RAM benötigt	0 GB
GPU-Ebenen	64 / 64
Kontextgröße	40.960
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q4_1/nvidia-v100s.yaml) apply

Generierte `values.yaml`

/values/qwen3-32b/q4_1/nvidia-v100s.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell herunterladen

curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-Q4_1.gguf"

Server starten

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 40960 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3 32B (Q4_1)?

Die Q4_1-Quantisierung von Qwen3 32B benötigt 19.22 GB. Alle 64 Schichten passen in die 32 GB VRAM von NVIDIA V100S, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3 32B auf NVIDIA V100S ausführen?

Ja. NVIDIA V100S bietet 32 GB VRAM, was ausreicht, um Qwen3 32B (Q4_1) mit allen Schichten auf der GPU für optimale Leistung auszuführen.

Was ist Quantisierung?

Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. Q4_1 komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 19.22 GB.

Welche Quantisierung sollte ich für Qwen3 32B wählen?

Q4_1 ist eine mittelwertige Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.

Was ist Flash Attention und warum ist es aktiviert?

Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für Qwen3 32B auf NVIDIA V100S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 32 GB VRAM zu maximieren.

Wie führe ich Qwen3 32B (Q4_1) mit Ollama aus?

Führen Sie ollama run qwen3:32b-q4_1 aus, um Qwen3 32B (Q4_1) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026