Qwen3.5 0.8B (Q4_0) — 7.8 Gosur NVIDIA RTX 3090

Code Multilingual Thinking Tool Calls Vision

Q4_0 NVIDIA RTX 3090

Aperçu

Qwen3.5 0.8B est un modèle de langage dense de 0.87B paramètres par Qwen, avec des capacités en code, multilingual, thinking, tool-calls, vision. Il prend en charge une fenêtre de contexte allant jusqu’à 262,144 tokens.

Qwen3.5 0.8B est le plus petit modèle de la famille Qwen 3.5 d'Alibaba à architecture hybride Gated Delta Networks avec 0,87 milliard de paramètres, conçu pour les téléphones, les appareils edge et les environnements ultra-contraints. Il est nativement multimodal, traitant texte, images et vidéo, avec des capacités de réflexion intégrées pour le raisonnement « chain-of-thought ». Le modèle prend en charge une fenêtre de contexte de 262K et couvre plus de 201 langues. Publié sous licence Apache 2.0, il se quantifie à moins de 1 Go de VRAM en Q4, ce qui le rend idéal pour la classification et les tâches simples en déploiement auto-hébergé.

Avec la quantification Q4_0 (niveau de qualité medium), le modèle pèse 0.47 Go. Cela tient dans les 24 Go de VRAM de NVIDIA RTX 3090, permettant une inférence entièrement sur GPU.

La NVIDIA GeForce RTX 3090 est un GPU grand public avec 24 Go de GDDR6X VRAM et 936 Go/s de bande passante memoire. Elle offre 35.6 FP16 TFLOPS, garantissant des performances solides pour l'inference LLM locale a un cout inferieur aux cartes plus recentes. Elle execute bien les modeles quantifies jusqu'a 20B parametres. Un choix pratique pour les developpeurs soucieux de leur budget et les passionnes de home lab.

Configuration matérielle requise

Taille du modèle	0.47 GB
VRAM disponible	24 GB
VRAM utilisée	7.8 GB
RAM système
RAM min requise	0 GB
Couches GPU	24 / 24
Taille du contexte	262 144
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/qwen3-5-0-8b/q4_0/nvidia-rtx3090.yaml) apply

Fichier `values.yaml`

/values/qwen3-5-0-8b/q4_0/nvidia-rtx3090.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 qwen3-5-0-8b.gguf "https://huggingface.co/unsloth/Qwen3.5-0.8B-GGUF/resolve/main/Qwen3.5-0.8B-Q4_0.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-0-8b.gguf \
  --n-gpu-layers 24 \
  --ctx-size 262144 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Qwen3.5 0.8B (Q4_0) a-t-il besoin ?

La quantification Q4_0 de Qwen3.5 0.8B nécessite 0.47 Go. Les 24 couches tiennent dans les 24 Go de VRAM disponibles sur NVIDIA RTX 3090, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 0.8B sur NVIDIA RTX 3090 ?

Oui. NVIDIA RTX 3090 dispose de 24 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 0.8B (Q4_0) 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. Q4_0 compresse Qwen3.5 0.8B de sa taille originale à 0.47 Go.

Quelle quantification choisir pour Qwen3.5 0.8B ?

Q4_0 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 Qwen3.5 0.8B sur NVIDIA RTX 3090, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.

Comment exécuter Qwen3.5 0.8B (Q4_0) avec Ollama ?

Exécutez ollama run qwen3.5:0.8b-q4_0 pour démarrer Qwen3.5 0.8B (Q4_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 13 mars 2026