Qwen3 32B (Q5_K_XL) — 15.4 GBauf Apple M2 Pro 16GB
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 Q5_K_XL-Quantisierung (Qualitätsstufe medium) wiegt das Modell 21.64 GB. Das übersteigt die 16 GB VRAM von Apple M2 Pro 16GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Hardwareanforderungen
| Modellgröße | 21.64 GB |
| Verfügbarer VRAM | 16 GB |
| Genutzter VRAM | 15.4 GB |
| System-RAM | |
| Min. RAM benötigt | 7.8 GB |
| GPU-Ebenen | 41 / 64 |
| Kontextgröße | 1.914 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-UD-Q5_K_XL.gguf"Server starten
llama-server \
-m qwen3-32b.gguf \
--n-gpu-layers 41 \
--ctx-size 1914 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Qwen3 32B (Q5_K_XL)?
Die Q5_K_XL-Quantisierung von Qwen3 32B benötigt 21.64 GB. 41 von 64 Schichten passen in die 16 GB VRAM von Apple M2 Pro 16GB; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich Qwen3 32B auf Apple M2 Pro 16GB ausführen?
Ja, mit reduzierter Leistung. Apple M2 Pro 16GB kann Qwen3 32B (Q5_K_XL) ausführen, aber nur 41 von 64 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.
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. Q5_K_XL komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 21.64 GB.
Welche Quantisierung sollte ich für Qwen3 32B wählen?
Q5_K_XL 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 Apple M2 Pro 16GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
Apple M2 Pro 16GB hat 16 GB VRAM, aber Qwen3 32B (Q5_K_XL) benötigt ungefähr 21.64 GB. Nur 41 von 64 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.
Wie führe ich Qwen3 32B (Q5_K_XL) mit Ollama aus?
Führen Sie ollama run qwen3:32b-q5_k_xl aus, um Qwen3 32B (Q5_K_XL) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.