Qwen3 8B (Q4_K_M) — 11.6 GBen Apple M4 Max 128GB
Descripción General
Qwen3 8B es un modelo de lenguaje dense de 8B parámetros de Qwen, con capacidades de code, multilingual, thinking, tool-calls. Admite una ventana de contexto de hasta 40,960 tokens.
Qwen3 8B es un transformador denso de 8.000 millones de parametros del equipo Qwen de Alibaba, con capacidades de razonamiento integradas junto con generacion de codigo, "tool calling" y soporte multilingue. Avanza respecto a Qwen2.5 con razonamiento mejorado, soportando inferencia "chain-of-thought" en un factor de forma compacto. El modelo cubre 14 idiomas, incluidos ingles, chino y arabe. Con una ventana de contexto de 40K y "flash attention", cabe en una sola GPU de consumo y se cuantiza eficientemente para cargas de razonamiento autoalojadas rentables.
Con cuantización Q4_K_M (nivel de calidad medium), el modelo pesa 4.68 GB. Esto cabe dentro de los 128 GB de VRAM de Apple M4 Max 128GB, lo que permite la inferencia completa en GPU.
Requisitos de Hardware
| Tamaño del modelo | 4.68 GB |
| VRAM disponible | 128 GB |
| VRAM utilizada | 11.6 GB |
| RAM del sistema | |
| RAM mín. requerida | 0 GB |
| Capas GPU | 36 / 36 |
| Tamaño del contexto | 40.960 |
| Backend | metal |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Despliegue
Instalar llama.cpp
brew install llama.cppDescargar modelo
curl -L -o qwen3-8b.gguf "https://huggingface.co/unsloth/Qwen3-8B-GGUF/resolve/main/Qwen3-8B-Q4_K_M.gguf"Iniciar servidor
llama-server \
-m qwen3-8b.gguf \
--n-gpu-layers 36 \
--ctx-size 40960 \
--flash-attnVerificar
curl http://localhost:8080/healthPreguntas frecuentes
¿Cuánta VRAM necesita Qwen3 8B (Q4_K_M)?
La cuantización Q4_K_M de Qwen3 8B requiere 4.68 GB. Las 36 capas caben en los 128 GB de VRAM disponibles en Apple M4 Max 128GB, permitiendo aceleración GPU completa.
¿Puedo ejecutar Qwen3 8B en Apple M4 Max 128GB?
Sí. Apple M4 Max 128GB proporciona 128 GB de VRAM, suficiente para ejecutar Qwen3 8B (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 8B de su tamaño original a 4.68 GB.
¿Qué cuantización debo elegir para Qwen3 8B?
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 8B en Apple M4 Max 128GB, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 128 GB de VRAM disponibles.
¿Cómo ejecutar Qwen3 8B (Q4_K_M) con Ollama?
Ejecute ollama run qwen3:8b-q4_k_m para iniciar Qwen3 8B (Q4_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.