Qwen3 32B (Q8_K_XL) — 23.4 GBen OVH a10-1-gpu
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 Q8_K_XL (nivel de calidad high), el modelo pesa 36.77 GB. Esto excede los 24 GB de VRAM de OVH a10-1-gpu. 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 | 36.77 GB |
| VRAM disponible | 24 GB |
| VRAM utilizada | 23.4 GB |
| RAM del sistema | 40 GB |
| RAM mín. requerida | 14.9 GB |
| Capas GPU | 38 / 64 |
| Tamaño del contexto | 2117 |
| 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/q8_k_xl/nvidia-a10.yaml) applyArchivo values.yaml
/values/qwen3-32b/q8_k_xl/nvidia-a10.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Qwen3 32B (Q8_K_XL)?
La cuantización Q8_K_XL de Qwen3 32B requiere 36.77 GB. 38 de 64 capas caben en los 24 GB de VRAM de OVH a10-1-gpu; las capas restantes se descargan al CPU.
¿Puedo ejecutar Qwen3 32B en OVH a10-1-gpu?
Sí, con rendimiento reducido. OVH a10-1-gpu puede ejecutar Qwen3 32B (Q8_K_XL), pero solo 38 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. Q8_K_XL comprime Qwen3 32B de su tamaño original a 36.77 GB.
¿Qué cuantización debo elegir para Qwen3 32B?
Q8_K_XL es una cuantización de alta calidad. 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 OVH a10-1-gpu, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 GB de VRAM disponibles.
¿Por qué se descargan algunas capas al CPU?
OVH a10-1-gpu tiene 24 GB de VRAM, pero Qwen3 32B (Q8_K_XL) requiere aproximadamente 36.77 GB. Solo 38 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 (Q8_K_XL) con Ollama?
Ejecute ollama run qwen3:32b-q8_k_xl para iniciar Qwen3 32B (Q8_K_XL). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.