Qwen3.5 35B A3B (Q4_K_M)en CPU Only

Q4_K_M CPU Only

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 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	18.49 GB
VRAM disponible	0 GB
VRAM utilizada	0 GB
RAM mín. requerida	18.5 GB
Capas GPU	0 / 40
Tamaño del contexto	262.144
Backend	cpu
Flash attention	No

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 →

Rendimiento reducido

40 de 40 capas se ejecutan en CPU. Su sistema necesita al menos 18.5 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/qwen3-5-35b-a3b/q4_k_m/cpu.yaml) apply

Archivo values.yaml

/values/qwen3-5-35b-a3b/q4_k_m/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 qwen3-5-35b-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 0 \
  --ctx-size 262144

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otro hardware

• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100
• Qwen3.5 35B A3B on NVIDIA RTX 3090

Preguntas 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. 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 Qwen3.5 35B A3B en CPU Only?

Es posible pero no recomendado. CPU Only no tiene suficiente VRAM para acelerar Qwen3.5 35B A3B (Q4_K_M), 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. 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.

¿Por qué se descargan algunas capas al CPU?

CPU Only tiene 0 GB de VRAM, pero Qwen3.5 35B A3B (Q4_K_M) requiere aproximadamente 18.49 GB. Solo 0 de 40 capas caben en la VRAM; las capas restantes se ejecutan en el CPU, que es más lento pero funcional.

¿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.

Última actualización: 13 de marzo de 2026