Qwen3 32B (Q4_K_M) — 23.4 GBen NVIDIA RTX 4090
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 cabe dentro de los 24 GB de VRAM de NVIDIA RTX 4090, lo que permite la inferencia completa en GPU.
La NVIDIA GeForce RTX 4090 es una GPU de consumo con 24 GB de GDDR6X VRAM y 1008 GB/s de ancho de banda de memoria. Ofrece 82.6 FP16 TFLOPS, lo que la convierte en una de las tarjetas de consumo mas rapidas para la inferencia LLM local. Maneja modelos cuantizados de hasta 20B parametros con facilidad. Ideal para constructores de home lab y desarrolladores que buscan inferencia de alto rendimiento sin hardware de datacenter.
Requisitos de Hardware
| Tamaño del modelo | 18.4 GB |
| VRAM disponible | 24 GB |
| VRAM utilizada | 23.4 GB |
| RAM del sistema | |
| RAM mín. requerida | 0 GB |
| Capas GPU | 64 / 64 |
| Tamaño del contexto | 24.610 |
| Backend | cuda13 |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Prerrequisitos
Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q4_k_m/nvidia-rtx4090.yaml) applyArchivo values.yaml
/values/qwen3-32b/q4_k_m/nvidia-rtx4090.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Qwen3 32B (Q4_K_M)?
La cuantización Q4_K_M de Qwen3 32B requiere 18.4 GB. Las 64 capas caben en los 24 GB de VRAM disponibles en NVIDIA RTX 4090, permitiendo aceleración GPU completa.
¿Puedo ejecutar Qwen3 32B en NVIDIA RTX 4090?
Sí. NVIDIA RTX 4090 proporciona 24 GB de VRAM, suficiente para ejecutar Qwen3 32B (Q4_K_M) 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_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 NVIDIA RTX 4090, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 GB de VRAM disponibles.
¿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.