Qwen3 32B (Q8_0) — 40 GBauf OVH h100-1-gpu

Code Multilingual Thinking Tool Calls

Q8_0 OVH h100-1-gpu

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 Q8_0-Quantisierung (Qualitätsstufe high) wiegt das Modell 32.43 GB. Das passt in die 80 GB VRAM von OVH h100-1-gpu und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA H100 80 GB ist eine Datacenter-GPU mit 80 GB HBM3 VRAM und 3350 GB/s Speicherbandbreite. Sie liefert 1979 FP16 TFLOPS auf der Hopper-Architektur und ist damit die schnellste Einzel-GPU-Option fuer Large-Language-Model-Inferenz. Sie verarbeitet Modelle mit bis zu 70B Parametern bei hohem Durchsatz. Entwickelt fuer Datacenter-Teams mit anspruchsvollen produktiven KI-Workloads.

Hardwareanforderungen

Modellgröße	32.43 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	40 GB
System-RAM	350 GB
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/q8_0/nvidia-h100-80gb.yaml) apply

Generierte `values.yaml`

/values/qwen3-32b/q8_0/nvidia-h100-80gb.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-Q8_0.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 (Q8_0)?

Die Q8_0-Quantisierung von Qwen3 32B benötigt 32.43 GB. Alle 64 Schichten passen in die 80 GB VRAM von OVH h100-1-gpu, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3 32B auf OVH h100-1-gpu ausführen?

Ja. OVH h100-1-gpu bietet 80 GB VRAM, was ausreicht, um Qwen3 32B (Q8_0) 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. Q8_0 komprimiert Qwen3 32B von seiner ursprünglichen Größe auf 32.43 GB.

Welche Quantisierung sollte ich für Qwen3 32B wählen?

Q8_0 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 OVH h100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

Wie führe ich Qwen3 32B (Q8_0) mit Ollama aus?

Führen Sie ollama run qwen3:32b-q8_0 aus, um Qwen3 32B (Q8_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 20. März 2026