Qwen3.5 9B (Q8_K_XL) — 45.4 Gosur Minisforum MS-S1 MAX

Code Multilingual Thinking Tool Calls Vision

Q8_K_XL Minisforum MS-S1 MAX

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 Q8_K_XL (niveau de qualité high), le modèle pèse 12.08 Go. Cela tient dans les 128 Go de VRAM de Minisforum MS-S1 MAX, permettant une inférence entièrement sur GPU.

Configuration matérielle requise

Taille du modèle	12.08 GB
VRAM disponible	128 GB
VRAM utilisée	45.4 GB
RAM système
RAM min requise	0 GB
Couches GPU	32 / 32
Taille du contexte	262 144
Backend	vulkan
Flash attention	Oui
Lecture depuis le disque	Oui

Déploiement

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-9b/q8_k_xl/amd-8060s-128gb.yaml) apply

Fichier `values.yaml`

/values/qwen3-5-9b/q8_k_xl/amd-8060s-128gb.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-UD-Q8_K_XL.gguf"

Démarrer le serveur

llama-server \
  -m qwen3-5-9b.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 9B (Q8_K_XL) a-t-il besoin ?

La quantification Q8_K_XL de Qwen3.5 9B nécessite 12.08 Go. Les 32 couches tiennent dans les 128 Go de VRAM disponibles sur Minisforum MS-S1 MAX, permettant une accélération GPU complète.

Puis-je exécuter Qwen3.5 9B sur Minisforum MS-S1 MAX ?

Oui. Minisforum MS-S1 MAX dispose de 128 Go de VRAM, ce qui suffit pour exécuter Qwen3.5 9B (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 9B de sa taille originale à 12.08 Go.

Quelle quantification choisir pour Qwen3.5 9B ?

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 9B sur Minisforum MS-S1 MAX, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 128 Go de VRAM disponibles.

Comment exécuter Qwen3.5 9B (Q8_K_XL) avec Ollama ?

Exécutez ollama run qwen3.5:9b-q8_k_xl pour démarrer Qwen3.5 9B (Q8_K_XL). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 13 mars 2026