Qwen3 32B (Q4_K_M)su CPU Only

Q4_K_M CPU Only

Panoramica

Qwen3 32B è un modello linguistico dense da 32B parametri di Qwen, con capacità di code, multilingual, thinking, tool-calls. Supporta una finestra di contesto fino a 40,960 token.

Qwen3 32B e un trasformatore denso da 32 miliardi di parametri del team Qwen di Alibaba, che combina capacita di ragionamento con generazione di codice avanzata, "tool calling" e supporto multilingue. Si colloca in una classe di parametri intermedia che bilancia la profondita di ragionamento con i requisiti pratici di deployment, superando molti modelli piu grandi nei benchmark di matematica e logica. Il modello supporta 14 lingue tra cui inglese, cinese e arabo. Con una finestra di contesto da 40K e "flash attention", funziona su una singola GPU di fascia alta con quantizzazione Q4 per inferenza self-hosted.

Con la quantizzazione Q4_K_M (livello di qualità medium), il modello pesa 18.4 GB. Questo supera i 0 GB di VRAM di CPU Only. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.

Una configurazione solo CPU senza accelerazione GPU. L'inferenza viene eseguita interamente sulla CPU, il che e notevolmente piu lento rispetto alle configurazioni con GPU, ma non richiede hardware specializzato. Prestazioni e dimensione massima del modello dipendono dalla RAM disponibile. Adatta a test, sviluppo o deployment dove non e disponibile una GPU.

Requisiti Hardware

Dimensione del modello	18.4 GB
VRAM disponibile	0 GB
VRAM utilizzata	0 GB
RAM min richiesta	18.4 GB
Livelli GPU	0 / 64
Dimensione del contesto	40.960
Backend	cpu
Flash attention	No

Note sulle prestazioni

Prestazioni ridotte

64 di 64 livelli vengono eseguiti su CPU. Il sistema necessita di almeno 18.4 GB di RAM. Se la RAM di sistema è insufficiente, i dati verranno letti dal disco su richiesta, con un impatto significativo sulle prestazioni.

Distribuzione

Server Locale

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q4_k_m/cpu.yaml) apply

File values.yaml

/values/qwen3-32b/q4_k_m/cpu.yaml

Caricamento valori…

Installa llama.cpp

Installa llama.cpp dalle istruzioni di compilazione ufficiali per la tua piattaforma e backend.

Scarica modello

curl -L -o qwen3-32b.gguf "https://huggingface.co/unsloth/Qwen3-32B-GGUF/resolve/main/Qwen3-32B-Q4_K_M.gguf"

Avvia server

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 0 \
  --ctx-size 40960

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altre quantizzazioni

• Qwen3 32B (Q8_0)
• Qwen3 32B (Q5_K_M)

Altro hardware

• Qwen3 32B on NVIDIA A100 80GB
• Qwen3 32B on NVIDIA H100
• Qwen3 32B on NVIDIA RTX 3090

Domande frequenti

Quanta VRAM serve per Qwen3 32B (Q4_K_M)?

La quantizzazione Q4_K_M di Qwen3 32B richiede 18.4 GB. I 0 GB di VRAM di CPU Only sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Qwen3 32B su CPU Only?

È possibile ma non consigliato. CPU Only non ha abbastanza VRAM per accelerare Qwen3 32B (Q4_K_M), quindi l'inferenza si baserà su CPU e RAM di sistema.

Cos'è la quantizzazione?

La quantizzazione riduce la precisione numerica di un modello dal suo formato originale in virgola mobile a una rappresentazione più compatta. Questo riduce la dimensione del file e l'impronta VRAM, rendendo possibile eseguire modelli di grandi dimensioni su hardware consumer. Il compromesso è una leggera riduzione della qualità dell'output. Q4_K_M comprime Qwen3 32B dalla sua dimensione originale a 18.4 GB.

Quale quantizzazione scegliere per Qwen3 32B?

Q4_K_M è una quantizzazione di qualità media. I quant di qualità superiore (Q8, Q6) preservano maggiore precisione del modello ma necessitano di più VRAM. I quant inferiori (Q4, Q3, Q2) riducono l'uso di VRAM a scapito della qualità. Scegli in base al tuo hardware disponibile e ai requisiti di qualità.

Perché alcuni livelli vengono scaricati sulla CPU?

CPU Only ha 0 GB di VRAM, ma Qwen3 32B (Q4_K_M) richiede circa 18.4 GB. Solo 0 dei 64 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.

Come eseguire Qwen3 32B (Q4_K_M) con Ollama?

Esegui ollama run qwen3:32b-q4_k_m per avviare Qwen3 32B (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026