Qwen3.5 4B (Q4_K_XL)auf CPU Only

Q4_K_XL CPU Only

Überblick

Qwen3.5 4B ist ein 4.66B-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 4B ist ein Modell aus Alibabas Qwen-3.5-Familie mit Gated-Delta-Networks-Hybridarchitektur und 4,66 Milliarden Parametern, das weithin als der ideale Kompromiss zwischen Leistung und Energieverbrauch in der Community gilt. 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 auf Coding-Benchmarks nahezu an 80B-MoE-Modelle der vorherigen Generation heranreicht. Unter der Apache-2.0-Lizenz veröffentlicht, läuft es mit etwa 3 GB VRAM bei Q4 und bietet schnelles, stabiles selbstgehostetes Deployment auf Consumer-Hardware.

Bei Q4_K_XL-Quantisierung (Qualitätsstufe medium) wiegt das Modell 2.71 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	2.71 GB
Verfügbarer VRAM	0 GB
Genutzter VRAM	0 GB
Min. RAM benötigt	2.7 GB
GPU-Ebenen	0 / 32
Kontextgröße	262.144
Backend	cpu
Flash Attention	Nein

Leistungshinweise

Reduzierte Leistung

32 von 32 Schichten laufen auf der CPU. Ihr System benötigt mindestens 2.7 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/qwen3-5-4b/q4_k_xl/cpu.yaml) apply

Generierte values.yaml

/values/qwen3-5-4b/q4_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 qwen3-5-4b.gguf "https://huggingface.co/unsloth/Qwen3.5-4B-GGUF/resolve/main/Qwen3.5-4B-UD-Q4_K_XL.gguf"

Server starten

llama-server \
  -m qwen3-5-4b.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 4B (Q8_0)
• Qwen3.5 4B (Q5_K_M)
• Qwen3.5 4B (Q4_K_M)

Andere Hardware

• Qwen3.5 4B on NVIDIA A100 80GB
• Qwen3.5 4B on NVIDIA H100
• Qwen3.5 4B on NVIDIA RTX 3090

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3.5 4B (Q4_K_XL)?

Die Q4_K_XL-Quantisierung von Qwen3.5 4B benötigt 2.71 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 4B auf CPU Only ausführen?

Es ist möglich, aber nicht empfohlen. CPU Only hat nicht genug VRAM, um Qwen3.5 4B (Q4_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. Q4_K_XL komprimiert Qwen3.5 4B von seiner ursprünglichen Größe auf 2.71 GB.

Welche Quantisierung sollte ich für Qwen3.5 4B wählen?

Q4_K_XL 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.

Warum werden einige Schichten auf die CPU ausgelagert?

CPU Only hat 0 GB VRAM, aber Qwen3.5 4B (Q4_K_XL) benötigt ungefähr 2.71 GB. Nur 0 von 32 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Wie führe ich Qwen3.5 4B (Q4_K_XL) mit Ollama aus?

Führen Sie ollama run qwen3.5:4b-q4_k_xl aus, um Qwen3.5 4B (Q4_K_XL) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 13. März 2026