Qwen3 32B (Q4_K_M) — 15.4 Gosur Apple M2 Pro 16GB

Q4_K_M Apple M2 Pro 16GB

Aperçu

Qwen3 32B est un modèle de langage dense de 32B paramètres par Qwen, avec des capacités en code, multilingual, thinking, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 40,960 tokens.

Qwen3 32B est un transformeur dense de 32 milliards de parametres de l'equipe Qwen d'Alibaba, combinant des capacites de reflexion avec une generation de code performante, le "tool calling" et le support multilingue. Il se situe dans une classe de parametres moyenne qui equilibre la profondeur de raisonnement avec les exigences pratiques de deploiement, surpassant de nombreux modeles plus grands sur les benchmarks de mathematiques et de logique. Le modele prend en charge 14 langues dont l'anglais, le chinois et l'arabe. Avec une fenetre de contexte de 40K et le "flash attention", il tient sur un seul GPU haut de gamme en quantification Q4 pour une inference auto-hebergee.

Avec la quantification Q4_K_M (niveau de qualité medium), le modèle pèse 18.4 Go. Cela dépasse les 16 Go de VRAM de Apple M2 Pro 16GB. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Configuration matérielle requise

Taille du modèle	18.4 GB
VRAM disponible	16 GB
VRAM utilisée	15.4 GB
RAM min requise	4.3 GB
Couches GPU	49 / 64
Taille du contexte	512
Backend	metal
Flash attention	Oui

Notes de performance

Performances réduites

15 des 64 couches s'exécutent sur le CPU. Votre système nécessite au moins 4.3 Go de RAM. Si la RAM système est insuffisante, les données seront lues depuis le disque à la demande, avec un impact significatif sur les performances.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Installer llama.cpp

brew install llama.cpp

Télécharger le modèle

curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-Q4_K_M.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 49 \
  --ctx-size 512 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• Qwen3 32B (Q8_0)
• Qwen3 32B (Q5_K_M)

Autre matériel

• Qwen3 32B on CPU Only
• Qwen3 32B on NVIDIA A100 80GB
• Qwen3 32B on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Qwen3 32B (Q4_K_M) a-t-il besoin ?

La quantification Q4_K_M de Qwen3 32B nécessite 18.4 Go. 49 des 64 couches tiennent dans les 16 Go de VRAM de Apple M2 Pro 16GB ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter Qwen3 32B sur Apple M2 Pro 16GB ?

Oui, avec des performances réduites. Apple M2 Pro 16GB peut exécuter Qwen3 32B (Q4_K_M), mais seules 49 des 64 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.

Qu'est-ce que la quantification ?

La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. Q4_K_M compresse Qwen3 32B de sa taille originale à 18.4 Go.

Quelle quantification choisir pour Qwen3 32B ?

Q4_K_M est une quantification qualité moyenne. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.

Qu'est-ce que le flash attention et pourquoi est-il activé ?

Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour Qwen3 32B sur Apple M2 Pro 16GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

Apple M2 Pro 16GB dispose de 16 Go de VRAM, mais Qwen3 32B (Q4_K_M) nécessite environ 18.4 Go. Seules 49 des 64 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.

Comment exécuter Qwen3 32B (Q4_K_M) avec Ollama ?

Exécutez ollama run qwen3:32b-q4_k_m pour démarrer Qwen3 32B (Q4_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026