Qwen3 32B (Q6_K) — 23.4 GBauf NVIDIA L4

Q6_K NVIDIA L4

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 Q6_K-Quantisierung (Qualitätsstufe high) wiegt das Modell 25.04 GB. Das übersteigt die 24 GB VRAM von NVIDIA L4. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA L4 ist eine Datacenter-Inferenz-GPU mit 24 GB GDDR6 VRAM und 300 GB/s Speicherbandbreite. Sie liefert 121 FP16 TFLOPS mit Ada-Lovelace- Architektur. Konzipiert fuer effiziente, stromsparende Inferenz-Workloads in Cloud- und Edge-Deployments. Verarbeitet quantisierte Modelle bis 20B Parameter.

Hardwareanforderungen

Modellgröße	25.04 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
Min. RAM benötigt	3.1 GB
GPU-Ebenen	56 / 64
Kontextgröße	1.607
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

8 von 64 Schichten laufen auf der CPU. Ihr System benötigt mindestens 3.1 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

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/q6_k/nvidia-l4.yaml) apply

Generierte values.yaml

/values/qwen3-32b/q6_k/nvidia-l4.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-Q6_K.gguf"

Server starten

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 56 \
  --ctx-size 1607 \
  --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)
• Qwen3 32B (Q4_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 (Q6_K)?

Die Q6_K-Quantisierung von Qwen3 32B benötigt 25.04 GB. 56 von 64 Schichten passen in die 24 GB VRAM von NVIDIA L4; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Qwen3 32B auf NVIDIA L4 ausführen?

Ja, mit reduzierter Leistung. NVIDIA L4 kann Qwen3 32B (Q6_K) ausführen, aber nur 56 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. Q6_K komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 25.04 GB.

Welche Quantisierung sollte ich für Qwen3 32B wählen?

Q6_K ist eine hochwertige 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 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA L4 hat 24 GB VRAM, aber Qwen3 32B (Q6_K) benötigt ungefähr 25.04 GB. Nur 56 von 64 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Wie führe ich Qwen3 32B (Q6_K) mit Ollama aus?

Führen Sie ollama run qwen3:32b-q6_k aus, um Qwen3 32B (Q6_K) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026