Qwen3 32B (Q4_K_S) — 25 GBauf NVIDIA L4 48GB

Code Multilingual Thinking Tool Calls

Q4_K_S NVIDIA L4 48GB

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_S-Quantisierung (Qualitätsstufe medium) wiegt das Modell 17.48 GB. Das passt in die 48 GB VRAM von NVIDIA L4 48GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	17.48 GB
Verfügbarer VRAM	48 GB
Genutzter VRAM	25 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_k_s/nvidia-l4-48gb.yaml) apply

Generierte `values.yaml`

/values/qwen3-32b/q4_k_s/nvidia-l4-48gb.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_S.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_K_S)?

Die Q4_K_S-Quantisierung von Qwen3 32B benötigt 17.48 GB. Alle 64 Schichten passen in die 48 GB VRAM von NVIDIA L4 48GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3 32B auf NVIDIA L4 48GB ausführen?

Ja. NVIDIA L4 48GB bietet 48 GB VRAM, was ausreicht, um Qwen3 32B (Q4_K_S) 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_S komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 17.48 GB.

Welche Quantisierung sollte ich für Qwen3 32B wählen?

Q4_K_S 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 L4 48GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 GB VRAM zu maximieren.

Wie führe ich Qwen3 32B (Q4_K_S) mit Ollama aus?

Führen Sie ollama run qwen3:32b-q4_k_s aus, um Qwen3 32B (Q4_K_S) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026