Qwen3.5 35B A3B (MXFP4_MOE) — 11.5 Gosur NVIDIA RTX 5070 Ti

MXFP4_MOE NVIDIA RTX 5070 Ti

Aperçu

Qwen3.5 35B A3B est un modèle de langage moe de 35.95B 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 35B A3B est un modèle « Mixture-of-Experts » de l'équipe Qwen d'Alibaba avec 35 milliards de paramètres totaux mais seulement 3 milliards actifs par token, répartis sur 256 experts pour une efficacité extrême. 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 200 langues. Publié sous licence Apache 2.0, il offre des performances de premier plan à une fraction du coût de calcul, se quantifiant efficacement pour un déploiement auto-hébergé sur du matériel grand public.

Avec la quantification MXFP4_MOE (niveau de qualité high), le modèle pèse 20.11 Go. Cela dépasse les 16 Go de VRAM de NVIDIA RTX 5070 Ti. 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	20.11 GB
VRAM disponible	16 GB
VRAM utilisée	11.5 GB
RAM min requise	19.9 GB
Couches GPU	40 / 40
Taille du contexte	262 144
Backend	cuda13
Flash attention	Oui

Notes de performance

Mixture-of-Experts

Il s'agit d'un modèle Mixture-of-Experts avec 256 experts au total, dont 8 sont actifs par token. Seuls les experts actifs nécessitent un accès GPU rapide — les poids des experts inactifs peuvent résider dans la RAM système avec un impact minimal sur la vitesse de génération.

Lire le guide de déploiement MoE →

Impact possible sur les performances

Poids des experts déchargés sur le CPU via le remplacement de tenseurs. Au moins 19.9 Go de RAM système recommandés — si insuffisante, les données seront lues depuis le disque à la demande.

Déploiement

Serveur Local

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/qwen3-5-35b-a3b/mxfp4_moe/nvidia-rtx5070ti.yaml) apply

Fichier values.yaml

/values/qwen3-5-35b-a3b/mxfp4_moe/nvidia-rtx5070ti.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 qwen3-5-35b-a3b.gguf "https://huggingface.co/unsloth/Qwen3.5-35B-A3B-GGUF/resolve/main/Qwen3.5-35B-A3B-MXFP4_MOE.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 40 \
  --ctx-size 262144 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Vérifier

curl http://localhost:8080/health

Explorer

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

Autres quantifications

• Qwen3.5 35B A3B (Q4_K_M)

Autre matériel

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Qwen3.5 35B A3B (MXFP4_MOE) a-t-il besoin ?

La quantification MXFP4_MOE de Qwen3.5 35B A3B nécessite 20.11 Go. Les 40 couches tiennent dans les 16 Go de VRAM disponibles sur NVIDIA RTX 5070 Ti, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 35B A3B sur NVIDIA RTX 5070 Ti ?

Oui. NVIDIA RTX 5070 Ti dispose de 16 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 35B A3B (MXFP4_MOE) 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. MXFP4_MOE compresse Qwen3.5 35B A3B de sa taille originale à 20.11 Go.

Quelle quantification choisir pour Qwen3.5 35B A3B ?

MXFP4_MOE est une quantification haute qualité. 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 35B A3B sur NVIDIA RTX 5070 Ti, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 Go de VRAM disponibles.

Qu'est-ce que MoE et comment cela affecte-t-il le déploiement ?

Qwen3.5 35B A3B utilise une architecture Mixture-of-Experts (MoE) avec 256 experts, dont 8 sont actifs par token. Cela signifie que seule une fraction des poids du modèle est utilisée à chaque étape d'inférence, permettant aux modèles MoE d'avoir un plus grand nombre total de paramètres tout en restant efficaces lors de l'inférence.

Comment exécuter Qwen3.5 35B A3B (MXFP4_MOE) avec Ollama ?

Exécutez ollama run qwen3.5:35b-a3b-mxfp4_moe pour démarrer Qwen3.5 35B A3B (MXFP4_MOE). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 13 mars 2026