Qwen3.5 4B (Q8_0) — 25.5 Gosur Apple M4 Max 128GB
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 Q8_0 (niveau de qualité high), le modèle pèse 4.17 Go. Cela tient dans les 128 Go de VRAM de Apple M4 Max 128GB, permettant une inférence entièrement sur GPU.
Configuration matérielle requise
| Taille du modèle | 4.17 GB |
| VRAM disponible | 128 GB |
| VRAM utilisée | 25.5 GB |
| RAM système | |
| RAM min requise | 0 GB |
| Couches GPU | 32 / 32 |
| Taille du contexte | 262 144 |
| Backend | metal |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Déploiement
Installer llama.cpp
brew install llama.cppTélécharger le modèle
curl -L -o qwen3-5-4b.gguf "https://huggingface.co/unsloth/Qwen3.5-4B-GGUF/resolve/main/Qwen3.5-4B-Q8_0.gguf"Démarrer le serveur
llama-server \
-m qwen3-5-4b.gguf \
--n-gpu-layers 32 \
--ctx-size 262144 \
--flash-attnVérifier
curl http://localhost:8080/healthQuestions fréquemment posées
De combien de VRAM Qwen3.5 4B (Q8_0) a-t-il besoin ?
La quantification Q8_0 de Qwen3.5 4B nécessite 4.17 Go. Les 32 couches tiennent dans les 128 Go de VRAM disponibles sur Apple M4 Max 128GB, permettant une accélération GPU complète.
Puis-je exécuter Qwen3.5 4B sur Apple M4 Max 128GB ?
Oui. Apple M4 Max 128GB dispose de 128 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 4B (Q8_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. Q8_0 compresse Qwen3.5 4B de sa taille originale à 4.17 Go.
Quelle quantification choisir pour Qwen3.5 4B ?
Q8_0 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 Apple M4 Max 128GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 128 Go de VRAM disponibles.
Comment exécuter Qwen3.5 4B (Q8_0) avec Ollama ?
Exécutez ollama run qwen3.5:4b-q8_0 pour démarrer Qwen3.5 4B (Q8_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.