Qwen3.5 0.8B (Q4_1) — 7.8 GBauf NVIDIA RTX 6000 Pro

Code Multilingual Thinking Tool Calls Vision

Q4_1 NVIDIA RTX 6000 Pro

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 Q4_1-Quantisierung (Qualitätsstufe medium) wiegt das Modell 0.5 GB. Das passt in die 96 GB VRAM von NVIDIA RTX 6000 Pro und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	0.5 GB
Verfügbarer VRAM	96 GB
Genutzter VRAM	7.8 GB
System-RAM
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_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-0-8b/q4_1/nvidia-rtx6000pro.yaml) apply

Generierte `values.yaml`

/values/qwen3-5-0-8b/q4_1/nvidia-rtx6000pro.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 qwen3-5-0-8b.gguf "https://huggingface.co/unsloth/Qwen3.5-0.8B-GGUF/resolve/main/Qwen3.5-0.8B-Q4_1.gguf"

Server starten

llama-server \
  -m qwen3-5-0-8b.gguf \
  --n-gpu-layers 24 \
  --ctx-size 262144 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3.5 0.8B (Q4_1)?

Die Q4_1-Quantisierung von Qwen3.5 0.8B benötigt 0.5 GB. Alle 24 Schichten passen in die 96 GB VRAM von NVIDIA RTX 6000 Pro, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3.5 0.8B auf NVIDIA RTX 6000 Pro ausführen?

Ja. NVIDIA RTX 6000 Pro bietet 96 GB VRAM, was ausreicht, um Qwen3.5 0.8B (Q4_1) 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_1 komprimiert Qwen3.5 0.8B von seiner ursprünglichen Größe auf 0.5 GB.

Welche Quantisierung sollte ich für Qwen3.5 0.8B wählen?

Q4_1 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 Qwen3.5 0.8B auf NVIDIA RTX 6000 Pro ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 96 GB VRAM zu maximieren.

Wie führe ich Qwen3.5 0.8B (Q4_1) mit Ollama aus?

Führen Sie ollama run qwen3.5:0.8b-q4_1 aus, um Qwen3.5 0.8B (Q4_1) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 13. März 2026