Qwen3.5 4B (Q3_K_XL) — 23.6 Gosur Scaleway H100-1-80G

Code Multilingual Thinking Tool Calls Vision

Q3_K_XL Scaleway H100-1-80G

Aperçu

Qwen3.5 4B est un modèle de langage dense de 4.66B 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 4B est un modèle de la famille Qwen 3.5 d'Alibaba à architecture hybride Gated Delta Networks avec 4,66 milliards de paramètres, largement considéré comme le meilleur compromis performance-consommation par la communauté. 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, rivalisant presque avec les modèles MoE 80B de génération précédente sur les benchmarks de code. Publié sous licence Apache 2.0, il fonctionne avec environ 3 Go de VRAM en Q4, offrant un déploiement auto-hébergé rapide et stable sur du matériel grand public.

Avec la quantification Q3_K_XL (niveau de qualité low), le modèle pèse 2.27 Go. Cela tient dans les 80 Go de VRAM de Scaleway H100-1-80G, 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	2.27 GB
VRAM disponible	80 GB
VRAM utilisée	23.6 GB
RAM système	240 GB
RAM min requise	0 GB
Couches GPU	32 / 32
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/qwen3-5-4b/q3_k_xl/nvidia-h100-80gb.yaml) apply

Fichier `values.yaml`

/values/qwen3-5-4b/q3_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 qwen3-5-4b.gguf "https://huggingface.co/unsloth/Qwen3.5-4B-GGUF/resolve/main/Qwen3.5-4B-UD-Q3_K_XL.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-4b.gguf \
  --n-gpu-layers 32 \
  --ctx-size 262144 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Qwen3.5 4B (Q3_K_XL) a-t-il besoin ?

La quantification Q3_K_XL de Qwen3.5 4B nécessite 2.27 Go. Les 32 couches tiennent dans les 80 Go de VRAM disponibles sur Scaleway H100-1-80G, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 4B sur Scaleway H100-1-80G ?

Oui. Scaleway H100-1-80G dispose de 80 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 4B (Q3_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. Q3_K_XL compresse Qwen3.5 4B de sa taille originale à 2.27 Go.

Quelle quantification choisir pour Qwen3.5 4B ?

Q3_K_XL est une quantification basse 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 4B sur Scaleway H100-1-80G, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 Go de VRAM disponibles.

Comment exécuter Qwen3.5 4B (Q3_K_XL) avec Ollama ?

Exécutez ollama run qwen3.5:4b-q3_k_xl pour démarrer Qwen3.5 4B (Q3_K_XL). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 20 mars 2026