Qwen3.5 4B (Q6_K_XL) — 23.4 Gosur NVIDIA RTX 4090
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 Q6_K_XL (niveau de qualité high), le modèle pèse 3.86 Go. Cela tient dans les 24 Go de VRAM de NVIDIA RTX 4090, permettant une inférence entièrement sur GPU.
La NVIDIA GeForce RTX 4090 est un GPU grand public avec 24 Go de GDDR6X VRAM et 1008 Go/s de bande passante memoire. Elle delivre 82.6 FP16 TFLOPS, ce qui en fait l'une des cartes grand public les plus rapides pour l'inference LLM locale. Elle gere confortablement les modeles quantifies jusqu'a 20B parametres. Ideale pour les constructeurs de home lab et les developpeurs recherchant une inference a haut debit sans materiel datacenter.
Configuration matérielle requise
| Taille du modèle | 3.86 GB |
| VRAM disponible | 24 GB |
| VRAM utilisée | 23.4 GB |
| RAM système | |
| RAM min requise | 0 GB |
| Couches GPU | 32 / 32 |
| Taille du contexte | 239 799 |
| 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_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-4b/q6_k_xl/nvidia-rtx4090.yaml) applyFichier values.yaml
/values/qwen3-5-4b/q6_k_xl/nvidia-rtx4090.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Qwen3.5 4B (Q6_K_XL) a-t-il besoin ?
La quantification Q6_K_XL de Qwen3.5 4B nécessite 3.86 Go. Les 32 couches tiennent dans les 24 Go de VRAM disponibles sur NVIDIA RTX 4090, permettant une accélération GPU complète.
Puis-je exécuter Qwen3.5 4B sur NVIDIA RTX 4090 ?
Oui. NVIDIA RTX 4090 dispose de 24 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 4B (Q6_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. Q6_K_XL compresse Qwen3.5 4B de sa taille originale à 3.86 Go.
Quelle quantification choisir pour Qwen3.5 4B ?
Q6_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 4B sur NVIDIA RTX 4090, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.
Comment exécuter Qwen3.5 4B (Q6_K_XL) avec Ollama ?
Exécutez ollama run qwen3.5:4b-q6_k_xl pour démarrer Qwen3.5 4B (Q6_K_XL). Ollama télécharge automatiquement les poids du modèle au premier lancement.