Qwen3 32B (Q4_K_M) — 23.4 GBauf NVIDIA RTX 3090

Q4_K_M NVIDIA RTX 3090

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_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 18.4 GB. Das passt in die 24 GB VRAM von NVIDIA RTX 3090 und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA GeForce RTX 3090 ist eine Consumer-GPU mit 24 GB GDDR6X VRAM und 936 GB/s Speicherbandbreite. Sie bietet 35.6 FP16 TFLOPS und liefert solide Leistung fuer lokale LLM-Inferenz zu geringeren Kosten als neuere Karten. Sie fuehrt quantisierte Modelle mit bis zu 20B Parametern zuverlaessig aus. Eine praktische Wahl fuer preisbewusste Entwickler und Homelab-Enthusiasten.

Hardwareanforderungen

Modellgröße	18.4 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
GPU-Ebenen	64 / 64
Kontextgröße	24.610
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

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_k_m/nvidia-rtx3090.yaml) apply

Generierte values.yaml

/values/qwen3-32b/q4_k_m/nvidia-rtx3090.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_K_M.gguf"

Server starten

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 24610 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Qwen3 32B (Q8_0)
• Qwen3 32B (Q5_K_M)

Andere Hardware

• Qwen3 32B on CPU Only
• Qwen3 32B on NVIDIA A100 80GB
• Qwen3 32B on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3 32B (Q4_K_M)?

Die Q4_K_M-Quantisierung von Qwen3 32B benötigt 18.4 GB. Alle 64 Schichten passen in die 24 GB VRAM von NVIDIA RTX 3090, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3 32B auf NVIDIA RTX 3090 ausführen?

Ja. NVIDIA RTX 3090 bietet 24 GB VRAM, was ausreicht, um Qwen3 32B (Q4_K_M) 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_K_M komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 18.4 GB.

Welche Quantisierung sollte ich für Qwen3 32B wählen?

Q4_K_M 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 RTX 3090 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Wie führe ich Qwen3 32B (Q4_K_M) mit Ollama aus?

Führen Sie ollama run qwen3:32b-q4_k_m aus, um Qwen3 32B (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026