Qwen3 32B (Q4_K_M) — 15.4 GBen Apple M2 Pro 16GB
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_K_M (nivel de calidad medium), el modelo pesa 18.4 GB. Esto excede los 16 GB de VRAM de Apple M2 Pro 16GB. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.
Requisitos de Hardware
| Tamaño del modelo | 18.4 GB |
| VRAM disponible | 16 GB |
| VRAM utilizada | 15.4 GB |
| RAM del sistema | |
| RAM mín. requerida | 4.3 GB |
| Capas GPU | 49 / 64 |
| Tamaño del contexto | 512 |
| Backend | metal |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Instalar llama.cpp
brew install llama.cppDescargar modelo
curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-Q4_K_M.gguf"Iniciar servidor
llama-server \
-m qwen3-32b.gguf \
--n-gpu-layers 49 \
--ctx-size 512 \
--flash-attnVerificar
curl http://localhost:8080/healthPreguntas frecuentes
¿Cuánta VRAM necesita Qwen3 32B (Q4_K_M)?
La cuantización Q4_K_M de Qwen3 32B requiere 18.4 GB. 49 de 64 capas caben en los 16 GB de VRAM de Apple M2 Pro 16GB; las capas restantes se descargan al CPU.
¿Puedo ejecutar Qwen3 32B en Apple M2 Pro 16GB?
Sí, con rendimiento reducido. Apple M2 Pro 16GB puede ejecutar Qwen3 32B (Q4_K_M), pero solo 49 de 64 capas caben en la VRAM. El resto se descarga al CPU.
¿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_K_M comprime Qwen3 32B de su tamaño original a 18.4 GB.
¿Qué cuantización debo elegir para Qwen3 32B?
Q4_K_M 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 Apple M2 Pro 16GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 16 GB de VRAM disponibles.
¿Por qué se descargan algunas capas al CPU?
Apple M2 Pro 16GB tiene 16 GB de VRAM, pero Qwen3 32B (Q4_K_M) requiere aproximadamente 18.4 GB. Solo 49 de 64 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.
¿Cómo ejecutar Qwen3 32B (Q4_K_M) con Ollama?
Ejecute ollama run qwen3:32b-q4_k_m para iniciar Qwen3 32B (Q4_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.