Qwen3.5 0.8B (Q4_K_M) — 7.8 GBsu NVIDIA P100

Code Multilingual Thinking Tool Calls Vision

Q4_K_M NVIDIA P100

Panoramica

Qwen3.5 0.8B è un modello linguistico dense da 0.87B parametri di Qwen, con capacità di code, multilingual, thinking, tool-calls, vision. Supporta una finestra di contesto fino a 262,144 token.

Qwen3.5 0.8B è il modello più piccolo della famiglia Qwen 3.5 di Alibaba con architettura ibrida Gated Delta Networks e 0,87 miliardi di parametri, progettato per telefoni, dispositivi edge e ambienti con risorse estremamente limitate. È nativamente multimodale, elaborando testo, immagini e video, con capacità di ragionamento integrate per l'inferenza « chain-of-thought ». Il modello supporta una finestra di contesto da 262K e copre oltre 201 lingue. Rilasciato sotto licenza Apache 2.0, si quantizza a meno di 1 GB di VRAM in Q4, rendendolo ideale per classificazione e compiti semplici nel deployment self-hosted.

Con la quantizzazione Q4_K_M (livello di qualità medium), il modello pesa 0.5 GB. Questo rientra nei 16 GB di VRAM di NVIDIA P100, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	0.5 GB
VRAM disponibile	16 GB
VRAM utilizzata	7.8 GB
RAM di sistema
RAM min richiesta	0 GB
Livelli GPU	24 / 24
Dimensione del contesto	262.144
Backend	cuda12
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/qwen3-5-0-8b/q4_k_m/nvidia-p100.yaml) apply

File `values.yaml`

/values/qwen3-5-0-8b/q4_k_m/nvidia-p100.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 qwen3-5-0-8b.gguf "https://huggingface.co/unsloth/Qwen3.5-0.8B-GGUF/resolve/main/Qwen3.5-0.8B-Q4_K_M.gguf"

Avvia server

llama-server \
  -m qwen3-5-0-8b.gguf \
  --n-gpu-layers 24 \
  --ctx-size 262144 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Domande frequenti

Quanta VRAM serve per Qwen3.5 0.8B (Q4_K_M)?

La quantizzazione Q4_K_M di Qwen3.5 0.8B richiede 0.5 GB. Tutti i 24 livelli entrano nei 16 GB di VRAM disponibili su NVIDIA P100, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen3.5 0.8B su NVIDIA P100?

Sì. NVIDIA P100 offre 16 GB di VRAM, sufficienti per eseguire Qwen3.5 0.8B (Q4_K_M) 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_M comprime Qwen3.5 0.8B dalla sua dimensione originale a 0.5 GB.

Quale quantizzazione scegliere per Qwen3.5 0.8B?

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.

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 Qwen3.5 0.8B su NVIDIA P100, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 16 GB di VRAM disponibili.

Come eseguire Qwen3.5 0.8B (Q4_K_M) con Ollama?

Esegui ollama run qwen3.5:0.8b-q4_k_m per avviare Qwen3.5 0.8B (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 13 marzo 2026