Qwen3.5 9B (Q5_K_M) — 15.4 GBauf Apple M2 Pro 16GB
Überblick
Qwen3.5 9B ist ein 9.65B-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 9B ist das Flaggschiff unter den kleinen Modellen in Alibabas Qwen-3.5-Familie mit Gated-Delta-Networks-Hybridarchitektur und 9,65 Milliarden Parametern. Es übertrifft gpt-oss-120B auf GPQA Diamond mit 81,7 gegenüber 80,1 bei dreizehnmal weniger Parametern. 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. Unter der Apache-2.0-Lizenz veröffentlicht, läuft es mit etwa 5 GB VRAM bei Q4 und ist eine erstklassige Wahl für selbstgehostetes Deployment auf Consumer-Hardware.
Bei Q5_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 6.13 GB. Das passt in die 16 GB VRAM von Apple M2 Pro 16GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 6.13 GB |
| Verfügbarer VRAM | 16 GB |
| Genutzter VRAM | 15.4 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 32 / 32 |
| Kontextgröße | 65.743 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o qwen3-5-9b.gguf "https://huggingface.co/unsloth/Qwen3.5-9B-GGUF/resolve/main/Qwen3.5-9B-Q5_K_M.gguf"Server starten
llama-server \
-m qwen3-5-9b.gguf \
--n-gpu-layers 32 \
--ctx-size 65743 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Qwen3.5 9B (Q5_K_M)?
Die Q5_K_M-Quantisierung von Qwen3.5 9B benötigt 6.13 GB. Alle 32 Schichten passen in die 16 GB VRAM von Apple M2 Pro 16GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Qwen3.5 9B auf Apple M2 Pro 16GB ausführen?
Ja. Apple M2 Pro 16GB bietet 16 GB VRAM, was ausreicht, um Qwen3.5 9B (Q5_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. Q5_K_M komprimiert Qwen3.5 9B von seiner ursprünglichen Größe auf 6.13 GB.
Welche Quantisierung sollte ich für Qwen3.5 9B wählen?
Q5_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 9B auf Apple M2 Pro 16GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.
Wie führe ich Qwen3.5 9B (Q5_K_M) mit Ollama aus?
Führen Sie ollama run qwen3.5:9b-q5_k_m aus, um Qwen3.5 9B (Q5_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.