Qwen3 32B (Q5_K_S)en CPU Only

Q5_K_S CPU Only

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 Q5_K_S (nivel de calidad medium), el modelo pesa 21.08 GB. Esto excede los 0 GB de VRAM de CPU Only. La inferencia sigue siendo posible mediante descarga a CPU o carga mapeada en memoria desde disco, pero con un rendimiento significativamente reducido.

Una configuracion solo CPU sin aceleracion GPU. La inferencia se ejecuta completamente en la CPU, lo que es significativamente mas lento que las configuraciones con GPU, pero no requiere hardware especializado. El rendimiento y el tamano maximo del modelo dependen de la RAM disponible. Adecuada para pruebas, desarrollo o despliegues donde no hay GPU disponible.

Requisitos de Hardware

Tamaño del modelo	21.08 GB
VRAM disponible	0 GB
VRAM utilizada	0 GB
RAM mín. requerida	21.1 GB
Capas GPU	0 / 64
Tamaño del contexto	40.960
Backend	cpu
Flash attention	No

Notas de rendimiento

Rendimiento reducido

64 de 64 capas se ejecutan en CPU. Su sistema necesita al menos 21.1 GB de RAM. Si la RAM del sistema es insuficiente, los datos se leerán del disco bajo demanda, con un impacto significativo en el rendimiento.

Despliegue

Servidor Local

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q5_k_s/cpu.yaml) apply

Archivo values.yaml

/values/qwen3-32b/q5_k_s/cpu.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-Q5_K_S.gguf"

Iniciar servidor

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 0 \
  --ctx-size 40960

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

• Qwen3 32B (Q8_0)
• Qwen3 32B (Q5_K_M)
• Qwen3 32B (Q4_K_M)

Otro hardware

• Qwen3 32B on NVIDIA A100 80GB
• Qwen3 32B on NVIDIA H100
• Qwen3 32B on NVIDIA RTX 3090

Preguntas frecuentes

¿Cuánta VRAM necesita Qwen3 32B (Q5_K_S)?

La cuantización Q5_K_S de Qwen3 32B requiere 21.08 GB. Los 0 GB de VRAM de CPU Only son insuficientes para las capas GPU, por lo que la inferencia se ejecuta en el CPU.

¿Puedo ejecutar Qwen3 32B en CPU Only?

Es posible pero no recomendado. CPU Only no tiene suficiente VRAM para acelerar Qwen3 32B (Q5_K_S), por lo que la inferencia dependerá del CPU y la RAM del sistema.

¿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. Q5_K_S comprime Qwen3 32B de su tamaño original a 21.08 GB.

¿Qué cuantización debo elegir para Qwen3 32B?

Q5_K_S 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.

¿Por qué se descargan algunas capas al CPU?

CPU Only tiene 0 GB de VRAM, pero Qwen3 32B (Q5_K_S) requiere aproximadamente 21.08 GB. Solo 0 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 (Q5_K_S) con Ollama?

Ejecute ollama run qwen3:32b-q5_k_s para iniciar Qwen3 32B (Q5_K_S). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 5 de marzo de 2026