Qwen3.5 9B (Q6_K) — 40.2 GBauf NVIDIA L40S

Code Multilingual Thinking Tool Calls Vision

Q6_K NVIDIA L40S

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 Q6_K-Quantisierung (Qualitätsstufe high) wiegt das Modell 6.95 GB. Das passt in die 48 GB VRAM von NVIDIA L40S und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA L40S ist eine Datacenter-GPU mit 48 GB GDDR6 VRAM und 864 GB/s Speicherbandbreite. Sie liefert 362 FP16 TFLOPS mit Ada-Lovelace-Architektur. Eine vielseitige GPU fuer KI-Inferenz, Training und Grafik-Workloads. Verarbeitet quantisierte Modelle bis 40B Parameter problemlos.

Hardwareanforderungen

Modellgröße	6.95 GB
Verfügbarer VRAM	48 GB
Genutzter VRAM	40.2 GB
System-RAM
Min. RAM benötigt	0 GB
GPU-Ebenen	32 / 32
Kontextgröße	262.144
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

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/qwen3-5-9b/q6_k/nvidia-l40s.yaml) apply

Generierte `values.yaml`

/values/qwen3-5-9b/q6_k/nvidia-l40s.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 qwen3-5-9b.gguf "https://huggingface.co/unsloth/Qwen3.5-9B-GGUF/resolve/main/Qwen3.5-9B-Q6_K.gguf"

Server starten

llama-server \
  -m qwen3-5-9b.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 9B (Q6_K)?

Die Q6_K-Quantisierung von Qwen3.5 9B benötigt 6.95 GB. Alle 32 Schichten passen in die 48 GB VRAM von NVIDIA L40S, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen3.5 9B auf NVIDIA L40S ausführen?

Ja. NVIDIA L40S bietet 48 GB VRAM, was ausreicht, um Qwen3.5 9B (Q6_K) 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. Q6_K komprimiert Qwen3.5 9B von seiner ursprünglichen Größe auf 6.95 GB.

Welche Quantisierung sollte ich für Qwen3.5 9B wählen?

Q6_K 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 9B auf NVIDIA L40S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 GB VRAM zu maximieren.

Wie führe ich Qwen3.5 9B (Q6_K) mit Ollama aus?

Führen Sie ollama run qwen3.5:9b-q6_k aus, um Qwen3.5 9B (Q6_K) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 13. März 2026