Qwen3.5 35B A3B (Q6_K_XL)auf CPU Only

Q6_K_XL CPU Only

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 Q6_K_XL-Quantisierung (Qualitätsstufe high) wiegt das Modell 28.22 GB. Das übersteigt die 0 GB VRAM von CPU Only. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Eine reine CPU-Konfiguration ohne GPU-Beschleunigung. Die Inferenz laeuft vollstaendig auf der CPU, was erheblich langsamer ist als GPU-beschleunigte Setups, aber keine Spezialhardware erfordert. Leistung und maximale Modellgroesse haengen vom verfuegbaren Arbeitsspeicher ab. Geeignet fuer Tests, Entwicklung oder Deployments ohne verfuegbare GPU.

Hardwareanforderungen

Modellgröße	28.22 GB
Verfügbarer VRAM	0 GB
Genutzter VRAM	0 GB
Min. RAM benötigt	28.2 GB
GPU-Ebenen	0 / 40
Kontextgröße	262.144
Backend	cpu
Flash Attention	Nein

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 →

Reduzierte Leistung

40 von 40 Schichten laufen auf der CPU. Ihr System benötigt mindestens 28.2 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

Bereitstellung

Server Lokal

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-35b-a3b/q6_k_xl/cpu.yaml) apply

Generierte values.yaml

/values/qwen3-5-35b-a3b/q6_k_xl/cpu.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-Q6_K_XL.gguf"

Server starten

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Qwen3.5 35B A3B (Q4_K_M)

Andere Hardware

• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100
• Qwen3.5 35B A3B on NVIDIA RTX 3090

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3.5 35B A3B (Q6_K_XL)?

Die Q6_K_XL-Quantisierung von Qwen3.5 35B A3B benötigt 28.22 GB. Die 0 GB VRAM von CPU Only reichen nicht für GPU-Schichten aus, daher läuft die Inferenz auf der CPU.

Kann ich Qwen3.5 35B A3B auf CPU Only ausführen?

Es ist möglich, aber nicht empfohlen. CPU Only hat nicht genug VRAM, um Qwen3.5 35B A3B (Q6_K_XL) zu beschleunigen, daher wird die Inferenz auf CPU und System-RAM zurückgreifen.

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. Q6_K_XL komprimiert Qwen3.5 35B A3B von seiner ursprünglichen Größe auf 28.22 GB.

Welche Quantisierung sollte ich für Qwen3.5 35B A3B wählen?

Q6_K_XL ist eine hochwertige 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.

Warum werden einige Schichten auf die CPU ausgelagert?

CPU Only hat 0 GB VRAM, aber Qwen3.5 35B A3B (Q6_K_XL) benötigt ungefähr 28.22 GB. Nur 0 von 40 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

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 (Q6_K_XL) mit Ollama aus?

Führen Sie ollama run qwen3.5:35b-a3b-q6_k_xl aus, um Qwen3.5 35B A3B (Q6_K_XL) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 13. März 2026