Qwen3.5 35B A3B (Q4_K_M) — 29.8 GBauf OVH h100-1-gpu

Code Multilingual Thinking Tool Calls Vision

Q4_K_M OVH h100-1-gpu

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 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	18.49 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	29.8 GB
System-RAM	350 GB
Min. RAM benötigt	0 GB
GPU-Ebenen	40 / 40
Kontextgröße	262.144
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Leistungshinweise

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/qwen3-5-35b-a3b/q4_k_m/nvidia-h100-80gb.yaml) apply

Generierte `values.yaml`

/values/qwen3-5-35b-a3b/q4_k_m/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 qwen3-5-35b-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 262144 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

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 80 GB VRAM von OVH h100-1-gpu, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3.5 35B A3B auf OVH h100-1-gpu ausführen?

Ja. OVH h100-1-gpu bietet 80 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 OVH h100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 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: 20. März 2026