Qwen3.5 2B (Q4_K_M) — 14.5 GBauf Apple M4 Max 128GB
Überblick
Qwen3.5 2B ist ein 2.27B-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 2B ist ein leichtgewichtiges Modell aus Alibabas Qwen-3.5-Familie mit Gated-Delta-Networks-Hybridarchitektur und 2,27 Milliarden Parametern, das Leistungsfähigkeit und Effizienz für Edge-Deployment vereint. 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, wobei es Codegenerierung und mehrsprachige Aufgaben problemlos bewältigt. Unter der Apache-2.0-Lizenz veröffentlicht, läuft es mit etwa 2 GB VRAM bei Q4 und eignet sich für selbstgehostetes Deployment auf bescheidener Hardware.
Bei Q4_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 1.19 GB. Das passt in die 128 GB VRAM von Apple M4 Max 128GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 1.19 GB |
| Verfügbarer VRAM | 128 GB |
| Genutzter VRAM | 14.5 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 24 / 24 |
| Kontextgröße | 262.144 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o qwen3-5-2b.gguf "https://huggingface.co/unsloth/Qwen3.5-2B-GGUF/resolve/main/Qwen3.5-2B-Q4_K_M.gguf"Server starten
llama-server \
-m qwen3-5-2b.gguf \
--n-gpu-layers 24 \
--ctx-size 262144 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Qwen3.5 2B (Q4_K_M)?
Die Q4_K_M-Quantisierung von Qwen3.5 2B benötigt 1.19 GB. Alle 24 Schichten passen in die 128 GB VRAM von Apple M4 Max 128GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Qwen3.5 2B auf Apple M4 Max 128GB ausführen?
Ja. Apple M4 Max 128GB bietet 128 GB VRAM, was ausreicht, um Qwen3.5 2B (Q4_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. Q4_K_M komprimiert Qwen3.5 2B von seiner ursprünglichen Größe auf 1.19 GB.
Welche Quantisierung sollte ich für Qwen3.5 2B wählen?
Q4_K_M 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 2B auf Apple M4 Max 128GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 128 GB VRAM zu maximieren.
Wie führe ich Qwen3.5 2B (Q4_K_M) mit Ollama aus?
Führen Sie ollama run qwen3.5:2b-q4_k_m aus, um Qwen3.5 2B (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.