Qwen3.5 35B A3B (Q4_K_M) — 29.8 GBen Apple M3 Max 64GB
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 Q4_K_M (nivel de calidad medium), el modelo pesa 18.49 GB. Esto cabe dentro de los 64 GB de VRAM de Apple M3 Max 64GB, lo que permite la inferencia completa en GPU.
Requisitos de Hardware
| Tamaño del modelo | 18.49 GB |
| VRAM disponible | 64 GB |
| VRAM utilizada | 29.8 GB |
| RAM del sistema | |
| RAM mín. requerida | 0 GB |
| Capas GPU | 40 / 40 |
| Tamaño del contexto | 262.144 |
| Backend | metal |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Notas de rendimiento
Despliegue
Instalar llama.cpp
brew install llama.cppDescargar modelo
curl -L -o qwen3-5-35b-a3b.gguf "https://huggingface.co/unsloth/Qwen3.5-35B-A3B-GGUF/resolve/main/Qwen3.5-35B-A3B-UD-Q4_K_M.gguf"Iniciar servidor
llama-server \
-m qwen3-5-35b-a3b.gguf \
--n-gpu-layers 40 \
--ctx-size 262144 \
--flash-attnVerificar
curl http://localhost:8080/healthPreguntas frecuentes
¿Cuánta VRAM necesita Qwen3.5 35B A3B (Q4_K_M)?
La cuantización Q4_K_M de Qwen3.5 35B A3B requiere 18.49 GB. Las 40 capas caben en los 64 GB de VRAM disponibles en Apple M3 Max 64GB, permitiendo aceleración GPU completa.
¿Puedo ejecutar Qwen3.5 35B A3B en Apple M3 Max 64GB?
Sí. Apple M3 Max 64GB proporciona 64 GB de VRAM, suficiente para ejecutar Qwen3.5 35B A3B (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 Qwen3.5 35B A3B de su tamaño original a 18.49 GB.
¿Qué cuantización debo elegir para Qwen3.5 35B A3B?
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 Qwen3.5 35B A3B en Apple M3 Max 64GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 64 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 (Q4_K_M) con Ollama?
Ejecute ollama run qwen3.5:35b-a3b-q4_k_m para iniciar Qwen3.5 35B A3B (Q4_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.