Qwen3.5 4B (Q8_0) — 23.4 GBen Scaleway L4-1-24G
Descripción General
Qwen3.5 4B es un modelo de lenguaje dense de 4.66B parámetros de Qwen, con capacidades de code, multilingual, thinking, tool-calls, vision. Admite una ventana de contexto de hasta 262,144 tokens.
Qwen3.5 4B es un modelo de la familia Qwen 3.5 de Alibaba con arquitectura híbrida Gated Delta Networks y 4.660 millones de parámetros, ampliamente considerado como el punto óptimo de rendimiento por vatio en la comunidad. 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 201 idiomas, igualando casi a modelos MoE de 80B de la generación anterior en benchmarks de código. Publicado bajo licencia Apache 2.0, funciona con aproximadamente 3 GB de VRAM en Q4, ofreciendo despliegue autoalojado rápido y estable en hardware de consumo.
Con cuantización Q8_0 (nivel de calidad high), el modelo pesa 4.17 GB. Esto cabe dentro de los 24 GB de VRAM de Scaleway L4-1-24G, 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 | 4.17 GB |
| VRAM disponible | 24 GB |
| VRAM utilizada | 23.4 GB |
| RAM del sistema | 48 GB |
| RAM mín. requerida | 0 GB |
| Capas GPU | 32 / 32 |
| Tamaño del contexto | 235.736 |
| 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/qwen3-5-4b/q8_0/nvidia-l4.yaml) applyArchivo values.yaml
/values/qwen3-5-4b/q8_0/nvidia-l4.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Qwen3.5 4B (Q8_0)?
La cuantización Q8_0 de Qwen3.5 4B requiere 4.17 GB. Las 32 capas caben en los 24 GB de VRAM disponibles en Scaleway L4-1-24G, permitiendo aceleración GPU completa.
¿Puedo ejecutar Qwen3.5 4B en Scaleway L4-1-24G?
Sí. Scaleway L4-1-24G proporciona 24 GB de VRAM, suficiente para ejecutar Qwen3.5 4B (Q8_0) 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. Q8_0 comprime Qwen3.5 4B de su tamaño original a 4.17 GB.
¿Qué cuantización debo elegir para Qwen3.5 4B?
Q8_0 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 Qwen3.5 4B en Scaleway L4-1-24G, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 24 GB de VRAM disponibles.
¿Cómo ejecutar Qwen3.5 4B (Q8_0) con Ollama?
Ejecute ollama run qwen3.5:4b-q8_0 para iniciar Qwen3.5 4B (Q8_0). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.