Qwen3.5 35B A3B (Q4_K_M) — 23.4 GBen OVH l4-1-gpu

Q4_K_M OVH l4-1-gpu

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 24 GB de VRAM de OVH l4-1-gpu, lo que permite la inferencia completa en GPU.

La NVIDIA L4 es una GPU de datacenter para inferencia con 24 GB de GDDR6 VRAM y 300 GB/s de ancho de banda de memoria. Ofrece 121 FP16 TFLOPS con arquitectura Ada Lovelace. Disenada para cargas de inferencia eficientes y de bajo consumo en despliegues cloud y edge. Maneja modelos cuantizados hasta 20B parametros.

Requisitos de Hardware

Tamaño del modelo	18.49 GB
VRAM disponible	24 GB
VRAM utilizada	23.4 GB
RAM del sistema	80 GB
Capas GPU	40 / 40
Tamaño del contexto	96.082
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 →

Conversaciones más cortas

El tamaño del contexto se ha reducido debido a restricciones de memoria. Esto puede afectar la capacidad del modelo para manejar conversaciones largas.

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/q4_k_m/nvidia-l4.yaml) apply

Archivo values.yaml

/values/qwen3-5-35b-a3b/q4_k_m/nvidia-l4.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 40 \
  --ctx-size 96082 \
  --flash-attn

Verificar

curl http://localhost:8080/health

Explorar

• Configurar un despliegue
• Explorar modelos
• Explorar hardware

Otro hardware

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100

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. Las 40 capas caben en los 24 GB de VRAM disponibles en OVH l4-1-gpu, permitiendo aceleración GPU completa.

¿Puedo ejecutar Qwen3.5 35B A3B en OVH l4-1-gpu?

Sí. OVH l4-1-gpu proporciona 24 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 OVH l4-1-gpu, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 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.

Última actualización: 13 de marzo de 2026