Qwen3.5 35B A3B (Q8_K_XL) — 47.3 Gosur OVH h100-1-gpu

Code Multilingual Thinking Tool Calls Vision

Q8_K_XL OVH h100-1-gpu

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 Q8_K_XL (niveau de qualité high), le modèle pèse 36.04 Go. Cela tient dans les 80 Go de VRAM de OVH h100-1-gpu, permettant une inférence entièrement sur GPU.

Le NVIDIA H100 80 Go est un GPU datacenter avec 80 Go de HBM3 VRAM et 3350 Go/s de bande passante memoire. Il delivre 1979 FP16 TFLOPS sur l'architecture Hopper, ce qui en fait l'option GPU unique la plus rapide pour l'inference de grands modeles de langage. Il gere des modeles jusqu'a 70B parametres avec un debit eleve. Concu pour les equipes datacenter executant des charges de travail IA exigeantes en production.

Configuration matérielle requise

Taille du modèle	36.04 GB
VRAM disponible	80 GB
VRAM utilisée	47.3 GB
RAM système	350 GB
RAM min requise	0 GB
Couches GPU	40 / 40
Taille du contexte	262 144
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Notes de performance

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/qwen3-5-35b-a3b/q8_k_xl/nvidia-h100-80gb.yaml) apply

Fichier `values.yaml`

/values/qwen3-5-35b-a3b/q8_k_xl/nvidia-h100-80gb.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-UD-Q8_K_XL.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 40 \
  --ctx-size 262144 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Qwen3.5 35B A3B (Q8_K_XL) a-t-il besoin ?

La quantification Q8_K_XL de Qwen3.5 35B A3B nécessite 36.04 Go. Les 40 couches tiennent dans les 80 Go de VRAM disponibles sur OVH h100-1-gpu, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 35B A3B sur OVH h100-1-gpu ?

Oui. OVH h100-1-gpu dispose de 80 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 35B A3B (Q8_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. Q8_K_XL compresse Qwen3.5 35B A3B de sa taille originale à 36.04 Go.

Quelle quantification choisir pour Qwen3.5 35B A3B ?

Q8_K_XL 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 OVH h100-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 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 (Q8_K_XL) avec Ollama ?

Exécutez ollama run qwen3.5:35b-a3b-q8_k_xl pour démarrer Qwen3.5 35B A3B (Q8_K_XL). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 20 mars 2026