Qwen3.5 0.8B (Q4_K_XL) — 7.8 GBsu NVIDIA L4
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_XL (livello di qualità medium), il modello pesa 0.52 GB. Questo rientra nei 24 GB di VRAM di NVIDIA L4, consentendo l'inferenza completa su GPU.
La NVIDIA L4 e una GPU datacenter per inferenza con 24 GB di GDDR6 VRAM e 300 GB/s di larghezza di banda della memoria. Offre 121 FP16 TFLOPS con architettura Ada Lovelace. Progettata per carichi di inferenza efficienti e a basso consumo in deployment cloud ed edge. Gestisce modelli quantizzati fino a 20B parametri.
Requisiti Hardware
| Dimensione del modello | 0.52 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 7.8 GB |
| RAM di sistema | |
| RAM min richiesta | 0 GB |
| Livelli GPU | 24 / 24 |
| Dimensione del contesto | 262.144 |
| 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_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-0-8b/q4_k_xl/nvidia-l4.yaml) applyFile values.yaml
/values/qwen3-5-0-8b/q4_k_xl/nvidia-l4.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Qwen3.5 0.8B (Q4_K_XL)?
La quantizzazione Q4_K_XL di Qwen3.5 0.8B richiede 0.52 GB. Tutti i 24 livelli entrano nei 24 GB di VRAM disponibili su NVIDIA L4, consentendo un'accelerazione GPU completa.
Posso eseguire Qwen3.5 0.8B su NVIDIA L4?
Sì. NVIDIA L4 offre 24 GB di VRAM, sufficienti per eseguire Qwen3.5 0.8B (Q4_K_XL) 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_XL comprime Qwen3.5 0.8B dalla sua dimensione originale a 0.52 GB.
Quale quantizzazione scegliere per Qwen3.5 0.8B?
Q4_K_XL 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 L4, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Come eseguire Qwen3.5 0.8B (Q4_K_XL) con Ollama?
Esegui ollama run qwen3.5:0.8b-q4_k_xl per avviare Qwen3.5 0.8B (Q4_K_XL). Ollama scarica automaticamente i pesi del modello al primo avvio.