Qwen3.5 9B (Q5_K_M) — 15.4 Gosur NVIDIA RTX 4080

Q5_K_M NVIDIA RTX 4080

Aperçu

Qwen3.5 9B est un modèle de langage dense de 9.65B 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 9B est le modèle phare de petite taille dans la famille Qwen 3.5 d'Alibaba à architecture hybride Gated Delta Networks avec 9,65 milliards de paramètres, surpassant gpt-oss-120B sur GPQA Diamond avec 81,7 contre 80,1 à treize fois moins de paramètres. 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. Publié sous licence Apache 2.0, il fonctionne avec environ 5 Go de VRAM en Q4, ce qui en fait un choix de premier plan pour le déploiement auto-hébergé sur du matériel grand public.

Avec la quantification Q5_K_M (niveau de qualité medium), le modèle pèse 6.13 Go. Cela tient dans les 16 Go de VRAM de NVIDIA RTX 4080, permettant une inférence entièrement sur GPU.

La NVIDIA GeForce RTX 4080 est un GPU grand public avec 16 Go de GDDR6X VRAM et 717 Go/s de bande passante memoire. Elle delivre 48.7 FP16 TFLOPS, offrant des performances solides pour l'inference LLM locale sur des modeles de taille moyenne. Elle gere efficacement les modeles quantifies jusqu'a 13B parametres. Un bon choix pour les developpeurs recherchant les performances Ada Lovelace a un prix plus accessible.

Configuration matérielle requise

Taille du modèle	6.13 GB
VRAM disponible	16 GB
VRAM utilisée	15.4 GB
Couches GPU	32 / 32
Taille du contexte	65 743
Backend	cuda13
Flash attention	Oui

Notes de performance

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

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/qwen3-5-9b/q5_k_m/nvidia-rtx4080.yaml) apply

Fichier values.yaml

/values/qwen3-5-9b/q5_k_m/nvidia-rtx4080.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 qwen3-5-9b.gguf "https://huggingface.co/unsloth/Qwen3.5-9B-GGUF/resolve/main/Qwen3.5-9B-Q5_K_M.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-9b.gguf \
  --n-gpu-layers 32 \
  --ctx-size 65743 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Explorer

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

Autres quantifications

• Qwen3.5 9B (Q8_0)
• Qwen3.5 9B (Q4_K_M)

Autre matériel

• Qwen3.5 9B on CPU Only
• Qwen3.5 9B on NVIDIA A100 80GB
• Qwen3.5 9B on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Qwen3.5 9B (Q5_K_M) a-t-il besoin ?

La quantification Q5_K_M de Qwen3.5 9B nécessite 6.13 Go. Les 32 couches tiennent dans les 16 Go de VRAM disponibles sur NVIDIA RTX 4080, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 9B sur NVIDIA RTX 4080 ?

Oui. NVIDIA RTX 4080 dispose de 16 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 9B (Q5_K_M) 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. Q5_K_M compresse Qwen3.5 9B de sa taille originale à 6.13 Go.

Quelle quantification choisir pour Qwen3.5 9B ?

Q5_K_M est une quantification qualité moyenne. 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 9B sur NVIDIA RTX 4080, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 Go de VRAM disponibles.

Comment exécuter Qwen3.5 9B (Q5_K_M) avec Ollama ?

Exécutez ollama run qwen3.5:9b-q5_k_m pour démarrer Qwen3.5 9B (Q5_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 13 mars 2026