Qwen3 32B (Q4_0) — 25 GBen NVIDIA GB10

Code Multilingual Thinking Tool Calls

Q4_0 NVIDIA GB10

Descripción General

Qwen3 32B es un modelo de lenguaje dense de 32B parámetros de Qwen, con capacidades de code, multilingual, thinking, tool-calls. Admite una ventana de contexto de hasta 40,960 tokens.

Qwen3 32B es un transformador denso de 32.000 millones de parametros del equipo Qwen de Alibaba, que combina capacidades de razonamiento con generacion de codigo solida, "tool calling" y soporte multilingue. Ocupa una clase de parametros intermedia que equilibra la profundidad de razonamiento con requisitos practicos de despliegue, superando a muchos modelos mas grandes en benchmarks de matematicas y logica. El modelo soporta 14 idiomas, incluidos ingles, chino y arabe. Con una ventana de contexto de 40K y "flash attention", cabe en una sola GPU de gama alta con cuantizacion Q4 para inferencia autoalojada.

Con cuantización Q4_0 (nivel de calidad medium), el modelo pesa 17.42 GB. Esto cabe dentro de los 128 GB de VRAM de NVIDIA GB10, lo que permite la inferencia completa en GPU.

Requisitos de Hardware

Tamaño del modelo	17.42 GB
VRAM disponible	128 GB
VRAM utilizada	25 GB
RAM del sistema
RAM mín. requerida	0 GB
Capas GPU	64 / 64
Tamaño del contexto	40.960
Backend	cuda13
Flash attention	Sí
Lectura desde disco	Sí

Despliegue

Prerrequisitos

Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q4_0/nvidia-gb10-128gb.yaml) apply

Archivo `values.yaml`

/values/qwen3-32b/q4_0/nvidia-gb10-128gb.yaml

Cargando valores…

Instalar llama.cpp

Instale llama.cpp desde las instrucciones de compilación oficiales para su plataforma y backend.

Descargar modelo

curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-Q4_0.gguf"

Iniciar servidor

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 40960 \
  --flash-attn

Verificar

curl http://localhost:8080/health

Preguntas frecuentes

¿Cuánta VRAM necesita Qwen3 32B (Q4_0)?

La cuantización Q4_0 de Qwen3 32B requiere 17.42 GB. Las 64 capas caben en los 128 GB de VRAM disponibles en NVIDIA GB10, permitiendo aceleración GPU completa.

¿Puedo ejecutar Qwen3 32B en NVIDIA GB10?

Sí. NVIDIA GB10 proporciona 128 GB de VRAM, suficiente para ejecutar Qwen3 32B (Q4_0) con todas las capas en la GPU para un rendimiento óptimo.

¿Qué es la cuantización?

La cuantización reduce la precisión numérica de un modelo de su formato original de punto flotante a una representación más compacta. Esto reduce el tamaño del archivo y la huella de VRAM, haciendo posible ejecutar modelos grandes en hardware de consumo. La contrapartida es una pequeña reducción en la calidad de salida. Q4_0 comprime Qwen3 32B de su tamaño original a 17.42 GB.

¿Qué cuantización debo elegir para Qwen3 32B?

Q4_0 es una cuantización de calidad media. Los quants de mayor calidad (Q8, Q6) preservan más precisión del modelo pero necesitan más VRAM. Los quants inferiores (Q4, Q3, Q2) reducen el uso de VRAM a costa de cierta calidad. Elija según su hardware disponible y requisitos de calidad.

¿Qué es flash attention y por qué está activado?

Flash attention es un algoritmo eficiente en memoria que acelera el mecanismo de atención en modelos transformer. Reduce el uso de VRAM durante la inferencia evitando la materialización de la matriz de atención completa. Para Qwen3 32B en NVIDIA GB10, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 128 GB de VRAM disponibles.

¿Cómo ejecutar Qwen3 32B (Q4_0) con Ollama?

Ejecute ollama run qwen3:32b-q4_0 para iniciar Qwen3 32B (Q4_0). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 18 de marzo de 2026