Qwen3 32B (Q4_K_S) — 25 GBsu NVIDIA V100S

Code Multilingual Thinking Tool Calls

Q4_K_S NVIDIA V100S

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_S (livello di qualità medium), il modello pesa 17.48 GB. Questo rientra nei 32 GB di VRAM di NVIDIA V100S, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	17.48 GB
VRAM disponibile	32 GB
VRAM utilizzata	25 GB
RAM di sistema
RAM min richiesta	0 GB
Livelli GPU	64 / 64
Dimensione del contesto	40.960
Backend	cuda13
Flash attention	Sì
Lettura da disco	Sì

Distribuzione

Prerequisiti

Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-32b/q4_k_s/nvidia-v100s.yaml) apply

File `values.yaml`

/values/qwen3-32b/q4_k_s/nvidia-v100s.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_S.gguf"

Avvia server

llama-server \
  -m qwen3-32b.gguf \
  --n-gpu-layers 64 \
  --ctx-size 40960 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Domande frequenti

Quanta VRAM serve per Qwen3 32B (Q4_K_S)?

La quantizzazione Q4_K_S di Qwen3 32B richiede 17.48 GB. Tutti i 64 livelli entrano nei 32 GB di VRAM disponibili su NVIDIA V100S, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen3 32B su NVIDIA V100S?

Sì. NVIDIA V100S offre 32 GB di VRAM, sufficienti per eseguire Qwen3 32B (Q4_K_S) con tutti i livelli sulla GPU per prestazioni ottimali.

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_S comprime Qwen3 32B dalla sua dimensione originale a 17.48 GB.

Quale quantizzazione scegliere per Qwen3 32B?

Q4_K_S 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.

Cos'è il flash attention e perché è attivato?

Flash attention è un algoritmo efficiente in memoria che accelera il meccanismo di attenzione nei modelli transformer. Riduce l'uso di VRAM durante l'inferenza evitando la materializzazione della matrice di attenzione completa. Per Qwen3 32B su NVIDIA V100S, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 32 GB di VRAM disponibili.

Come eseguire Qwen3 32B (Q4_K_S) con Ollama?

Esegui ollama run qwen3:32b-q4_k_s per avviare Qwen3 32B (Q4_K_S). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026