Qwen3.5 35B A3B (Q3_K_M) — 26.8 GBen NVIDIA H100

Q3_K_M NVIDIA H100

Descripción General

Qwen3.5 35B A3B es un modelo de lenguaje moe de 35.95B parámetros de Qwen, con capacidades de code, multilingual, thinking, tool-calls, vision. Admite una ventana de contexto de hasta 262,144 tokens.

Qwen3.5 35B A3B es un modelo « Mixture-of-Experts » del equipo Qwen de Alibaba con 35.000 millones de parámetros totales pero solo 3.000 millones activos por token, distribuidos entre 256 expertos para una eficiencia extrema. Es nativamente multimodal, procesando texto, imágenes y vídeo, con capacidades de razonamiento integradas para inferencia « chain-of-thought ». El modelo soporta una ventana de contexto de 262K y cubre más de 200 idiomas. Publicado bajo licencia Apache 2.0, ofrece rendimiento de primer nivel a una fracción del coste computacional, cuantizándose eficientemente para despliegue autoalojado en hardware de consumo.

Con cuantización Q3_K_M (nivel de calidad low), el modelo pesa 15.54 GB. Esto cabe dentro de los 80 GB de VRAM de NVIDIA H100, lo que permite la inferencia completa en GPU.

La NVIDIA H100 80 GB es una GPU de datacenter con 80 GB de HBM3 VRAM y 3350 GB/s de ancho de banda de memoria. Ofrece 1979 FP16 TFLOPS en la arquitectura Hopper, lo que la convierte en la opcion de GPU unica mas rapida para la inferencia de grandes modelos de lenguaje. Maneja modelos de hasta 70B parametros con alto rendimiento. Disenada para equipos de datacenter que ejecutan cargas de trabajo de IA exigentes en produccion.

Requisitos de Hardware

Tamaño del modelo	15.54 GB
VRAM disponible	80 GB
VRAM utilizada	26.8 GB
Capas GPU	40 / 40
Tamaño del contexto	262.144
Backend	cuda13
Flash attention	Sí

Notas de rendimiento

Mixture-of-Experts

Este es un modelo Mixture-of-Experts con 256 expertos en total, de los cuales 8 están activos por token. Solo los expertos activos necesitan acceso rápido a la GPU — los pesos de los expertos inactivos pueden residir en la RAM del sistema con un impacto mínimo en la velocidad de generación.

Leer la guía de despliegue MoE →

Despliegue

Servidor Local

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/qwen3-5-35b-a3b/q3_k_m/nvidia-h100-80gb.yaml) apply

Archivo values.yaml

/values/qwen3-5-35b-a3b/q3_k_m/nvidia-h100-80gb.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 qwen3-5-35b-a3b.gguf "https://huggingface.co/unsloth/Qwen3.5-35B-A3B-GGUF/resolve/main/Qwen3.5-35B-A3B-UD-Q3_K_M.gguf"

Iniciar servidor

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 40 \
  --ctx-size 262144 \
  --flash-attn

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otras cuantizaciones

• Qwen3.5 35B A3B (Q4_K_M)

Otro hardware

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA RTX 3090

Preguntas frecuentes

¿Cuánta VRAM necesita Qwen3.5 35B A3B (Q3_K_M)?

La cuantización Q3_K_M de Qwen3.5 35B A3B requiere 15.54 GB. Las 40 capas caben en los 80 GB de VRAM disponibles en NVIDIA H100, permitiendo aceleración GPU completa.

¿Puedo ejecutar Qwen3.5 35B A3B en NVIDIA H100?

Sí. NVIDIA H100 proporciona 80 GB de VRAM, suficiente para ejecutar Qwen3.5 35B A3B (Q3_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. Q3_K_M comprime Qwen3.5 35B A3B de su tamaño original a 15.54 GB.

¿Qué cuantización debo elegir para Qwen3.5 35B A3B?

Q3_K_M es una cuantización de baja 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 Qwen3.5 35B A3B en NVIDIA H100, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 GB de VRAM disponibles.

¿Qué es MoE y cómo afecta al despliegue?

Qwen3.5 35B A3B utiliza una arquitectura Mixture-of-Experts (MoE) con 256 expertos, de los cuales 8 están activos por token. Esto significa que solo una fracción de los pesos del modelo se utiliza en cada paso de inferencia, permitiendo que los modelos MoE sean más grandes en número total de parámetros mientras permanecen eficientes durante la inferencia.

¿Cómo ejecutar Qwen3.5 35B A3B (Q3_K_M) con Ollama?

Ejecute ollama run qwen3.5:35b-a3b-q3_k_m para iniciar Qwen3.5 35B A3B (Q3_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.

Última actualización: 20 de marzo de 2026