Qwen3.5 35B A3B (Q4_K_M) — 23.4 GBauf NVIDIA L4

Q4_K_M NVIDIA L4

Überblick

Qwen3.5 35B A3B ist ein 35.95B-Parameter moe-Sprachmodell von Qwen, mit Fähigkeiten in code, multilingual, thinking, tool-calls, vision. Es unterstützt ein Kontextfenster von bis zu 262,144 Tokens.

Qwen3.5 35B A3B ist ein Mixture-of-Experts-Modell vom Qwen-Team bei Alibaba mit 35 Milliarden Gesamtparametern, von denen nur 3 Milliarden pro Token aktiv sind, verteilt auf 256 Experten für extreme Effizienz. 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 200 Sprachen ab. Unter der Apache-2.0-Lizenz veröffentlicht, liefert es Spitzenleistung bei einem Bruchteil der Rechenkosten und lässt sich effizient für selbstgehostete Deployments auf Consumer-Hardware quantisieren.

Bei Q4_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 18.49 GB. Das passt in die 24 GB VRAM von NVIDIA L4 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	18.49 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
GPU-Ebenen	40 / 40
Kontextgröße	96.082
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Mixture-of-Experts

Dies ist ein Mixture-of-Experts-Modell mit 256 Experten insgesamt, von denen 8 pro Token aktiv sind. Nur die aktiven Experten benötigen schnellen GPU-Zugriff — inaktive Expertengewichte können im Systemspeicher verbleiben, mit minimalem Einfluss auf die Generierungsgeschwindigkeit.

Zum MoE-Deployment-Leitfaden →

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/qwen3-5-35b-a3b/q4_k_m/nvidia-l4.yaml) apply

Generierte values.yaml

/values/qwen3-5-35b-a3b/q4_k_m/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 qwen3-5-35b-a3b.gguf "https://huggingface.co/unsloth/Qwen3.5-35B-A3B-GGUF/resolve/main/Qwen3.5-35B-A3B-UD-Q4_K_M.gguf"

Server starten

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 40 \
  --ctx-size 96082 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Hardware

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3.5 35B A3B (Q4_K_M)?

Die Q4_K_M-Quantisierung von Qwen3.5 35B A3B benötigt 18.49 GB. Alle 40 Schichten passen in die 24 GB VRAM von NVIDIA L4, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3.5 35B A3B auf NVIDIA L4 ausführen?

Ja. NVIDIA L4 bietet 24 GB VRAM, was ausreicht, um Qwen3.5 35B A3B (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 35B A3B von seiner ursprünglichen Größe auf 18.49 GB.

Welche Quantisierung sollte ich für Qwen3.5 35B A3B 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 35B A3B auf NVIDIA L4 ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Was ist MoE und wie beeinflusst es die Bereitstellung?

Qwen3.5 35B A3B verwendet eine Mixture-of-Experts (MoE)-Architektur mit 256 Experten, von denen 8 pro Token aktiv sind. Das bedeutet, dass nur ein Bruchteil der Modellgewichte bei jedem Inferenzschritt verwendet wird, wodurch MoE-Modelle bei der Gesamtparameteranzahl größer sein können und dennoch bei der Inferenz effizient bleiben.

Wie führe ich Qwen3.5 35B A3B (Q4_K_M) mit Ollama aus?

Führen Sie ollama run qwen3.5:35b-a3b-q4_k_m aus, um Qwen3.5 35B A3B (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 13. März 2026