Qwen3 32B (Q5_K_XL) — 29.2 Gosur Scaleway L40S-1-48G

Code Multilingual Thinking Tool Calls

Q5_K_XL Scaleway L40S-1-48G

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 Q5_K_XL (niveau de qualité medium), le modèle pèse 21.64 Go. Cela tient dans les 48 Go de VRAM de Scaleway L40S-1-48G, permettant une inférence entièrement sur GPU.

La NVIDIA L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.

Configuration matérielle requise

Taille du modèle	21.64 GB
VRAM disponible	48 GB
VRAM utilisée	29.2 GB
RAM système	96 GB
RAM min requise	0 GB
Couches GPU	64 / 64
Taille du contexte	40 960
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Déploiement

Prérequis

Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :

ansible-playbook prositronic.infra.nvidia_container_toolkit

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q5_k_xl/nvidia-l40s.yaml) apply

Fichier `values.yaml`

/values/qwen3-32b/q5_k_xl/nvidia-l40s.yaml

Chargement des valeurs…

Installer llama.cpp

Installez llama.cpp depuis les instructions de compilation officielles pour votre plateforme et backend.

Télécharger le modèle

curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-UD-Q5_K_XL.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 40960 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Qwen3 32B (Q5_K_XL) a-t-il besoin ?

La quantification Q5_K_XL de Qwen3 32B nécessite 21.64 Go. Les 64 couches tiennent dans les 48 Go de VRAM disponibles sur Scaleway L40S-1-48G, permettant une accélération GPU complète.

Puis-je exécuter Qwen3 32B sur Scaleway L40S-1-48G ?

Oui. Scaleway L40S-1-48G dispose de 48 Go de VRAM, ce qui suffit pour exécuter Qwen3 32B (Q5_K_XL) avec toutes les couches sur le GPU pour des performances optimales.

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. Q5_K_XL compresse Qwen3 32B de sa taille originale à 21.64 Go.

Quelle quantification choisir pour Qwen3 32B ?

Q5_K_XL 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 Scaleway L40S-1-48G, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 48 Go de VRAM disponibles.

Comment exécuter Qwen3 32B (Q5_K_XL) avec Ollama ?

Exécutez ollama run qwen3:32b-q5_k_xl pour démarrer Qwen3 32B (Q5_K_XL). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026