Qwen3.5 0.8B (Q3_K_M) — 7.7 GBauf OVH l4-1-gpu
Überblick
Qwen3.5 0.8B ist ein 0.87B-Parameter dense-Sprachmodell von Qwen, mit Fähigkeiten in code, multilingual, thinking, tool-calls, vision. Es unterstützt ein Kontextfenster von bis zu 262,144 Tokens.
Qwen3.5 0.8B ist das kleinste Modell in Alibabas Qwen-3.5-Familie mit Gated-Delta-Networks-Hybridarchitektur und 0,87 Milliarden Parametern, speziell entwickelt für Smartphones, Edge-Geräte und extrem ressourcenbeschränkte Umgebungen. Es ist nativ multimodal und verarbeitet Text, Bilder und Video, mit integrierten Denkfähigkeiten für Chain-of-Thought-Schlussfolgern. Das Modell unterstützt ein 262K-Kontextfenster und deckt über 201 Sprachen ab. Unter der Apache-2.0-Lizenz veröffentlicht, lässt es sich auf unter 1 GB VRAM bei Q4 quantisieren und eignet sich ideal für Klassifikation und einfache Aufgaben im selbstgehosteten Deployment.
Bei Q3_K_M-Quantisierung (Qualitätsstufe low) wiegt das Modell 0.44 GB. Das passt in die 24 GB VRAM von OVH l4-1-gpu und ermöglicht vollständige GPU-Inferenz.
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 | 0.44 GB |
| Verfügbarer VRAM | 24 GB |
| Genutzter VRAM | 7.7 GB |
| System-RAM | 80 GB |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 24 / 24 |
| Kontextgröße | 262.144 |
| 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_toolkitBefehl
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-0-8b/q3_k_m/nvidia-l4.yaml) applyGenerierte values.yaml
/values/qwen3-5-0-8b/q3_k_m/nvidia-l4.yaml
Werte werden geladen…Häufig gestellte Fragen
Wie viel VRAM benötigt Qwen3.5 0.8B (Q3_K_M)?
Die Q3_K_M-Quantisierung von Qwen3.5 0.8B benötigt 0.44 GB. Alle 24 Schichten passen in die 24 GB VRAM von OVH l4-1-gpu, was volle GPU-Beschleunigung ermöglicht.
Kann ich Qwen3.5 0.8B auf OVH l4-1-gpu ausführen?
Ja. OVH l4-1-gpu bietet 24 GB VRAM, was ausreicht, um Qwen3.5 0.8B (Q3_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. Q3_K_M komprimiert Qwen3.5 0.8B von seiner ursprünglichen Größe auf 0.44 GB.
Welche Quantisierung sollte ich für Qwen3.5 0.8B wählen?
Q3_K_M ist eine niedrigwertige 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 Qwen3.5 0.8B auf OVH l4-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.
Wie führe ich Qwen3.5 0.8B (Q3_K_M) mit Ollama aus?
Führen Sie ollama run qwen3.5:0.8b-q3_k_m aus, um Qwen3.5 0.8B (Q3_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.