Qwen3.5 4B (Q8_0) — 25.5 GBauf Framework Desktop 64GB

Code Multilingual Thinking Tool Calls Vision

Q8_0 Framework Framework Desktop 64GB

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 Q8_0-Quantisierung (Qualitätsstufe high) wiegt das Modell 4.17 GB. Das passt in die 64 GB VRAM von Framework Desktop 64GB und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	4.17 GB
Verfügbarer VRAM	64 GB
Genutzter VRAM	25.5 GB
System-RAM
Min. RAM benötigt	0 GB
GPU-Ebenen	32 / 32
Kontextgröße	262.144
Backend	vulkan
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-4b/q8_0/amd-8060s-64gb.yaml) apply

Generierte `values.yaml`

/values/qwen3-5-4b/q8_0/amd-8060s-64gb.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-Q8_0.gguf"

Server starten

llama-server \
  -m qwen3-5-4b.gguf \
  --n-gpu-layers 32 \
  --ctx-size 262144 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen3.5 4B (Q8_0)?

Die Q8_0-Quantisierung von Qwen3.5 4B benötigt 4.17 GB. Alle 32 Schichten passen in die 64 GB VRAM von Framework Desktop 64GB, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3.5 4B auf Framework Desktop 64GB ausführen?

Ja. Framework Desktop 64GB bietet 64 GB VRAM, was ausreicht, um Qwen3.5 4B (Q8_0) 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. Q8_0 komprimiert Qwen3.5 4B von seiner ursprünglichen Größe auf 4.17 GB.

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

Q8_0 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.

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 4B auf Framework Desktop 64GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 64 GB VRAM zu maximieren.

Wie führe ich Qwen3.5 4B (Q8_0) mit Ollama aus?

Führen Sie ollama run qwen3.5:4b-q8_0 aus, um Qwen3.5 4B (Q8_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 20. März 2026