Qwen3.5 35B A3B (Q4_K_M)su CPU Only

Q4_K_M CPU Only

Panoramica

Qwen3.5 35B A3B è un modello linguistico moe da 35.95B parametri di Qwen, con capacità di code, multilingual, thinking, tool-calls, vision. Supporta una finestra di contesto fino a 262,144 token.

Qwen3.5 35B A3B è un modello « Mixture-of-Experts » del team Qwen di Alibaba con 35 miliardi di parametri totali ma solo 3 miliardi attivi per token, distribuiti su 256 esperti per un'efficienza estrema. 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 200 lingue. Rilasciato sotto licenza Apache 2.0, offre prestazioni di livello top a una frazione del costo computazionale, quantizzandosi efficientemente per il deployment self-hosted su hardware consumer.

Con la quantizzazione Q4_K_M (livello di qualità medium), il modello pesa 18.49 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	18.49 GB
VRAM disponibile	0 GB
VRAM utilizzata	0 GB
RAM min richiesta	18.5 GB
Livelli GPU	0 / 40
Dimensione del contesto	262.144
Backend	cpu
Flash attention	No

Note sulle prestazioni

Mixture-of-Experts

Questo è un modello Mixture-of-Experts con 256 esperti totali, di cui 8 sono attivi per token. Solo gli esperti attivi necessitano di accesso rapido alla GPU — i pesi degli esperti inattivi possono risiedere nella RAM di sistema con un impatto minimo sulla velocità di generazione.

Leggi la guida al deployment MoE →

Prestazioni ridotte

40 di 40 livelli vengono eseguiti su CPU. Il sistema necessita di almeno 18.5 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/qwen3-5-35b-a3b/q4_k_m/cpu.yaml) apply

File values.yaml

/values/qwen3-5-35b-a3b/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 qwen3-5-35b-a3b.gguf "https://huggingface.co/unsloth/Qwen3.5-35B-A3B-GGUF/resolve/main/Qwen3.5-35B-A3B-UD-Q4_K_M.gguf"

Avvia server

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 0 \
  --ctx-size 262144

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altro hardware

• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100
• Qwen3.5 35B A3B on NVIDIA RTX 3090

Domande frequenti

Quanta VRAM serve per Qwen3.5 35B A3B (Q4_K_M)?

La quantizzazione Q4_K_M di Qwen3.5 35B A3B richiede 18.49 GB. I 0 GB di VRAM di CPU Only sono insufficienti per i livelli GPU, quindi l'inferenza viene eseguita sulla CPU.

Posso eseguire Qwen3.5 35B A3B su CPU Only?

È possibile ma non consigliato. CPU Only non ha abbastanza VRAM per accelerare Qwen3.5 35B A3B (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 Qwen3.5 35B A3B dalla sua dimensione originale a 18.49 GB.

Quale quantizzazione scegliere per Qwen3.5 35B A3B?

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 Qwen3.5 35B A3B (Q4_K_M) richiede circa 18.49 GB. Solo 0 dei 40 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.

Cos'è MoE e come influisce sulla distribuzione?

Qwen3.5 35B A3B utilizza un'architettura Mixture-of-Experts (MoE) con 256 esperti, di cui 8 attivi per token. Ciò significa che solo una frazione dei pesi del modello viene utilizzata per ogni passaggio di inferenza, consentendo ai modelli MoE di avere un numero totale di parametri maggiore rimanendo efficienti durante l'inferenza.

Come eseguire Qwen3.5 35B A3B (Q4_K_M) con Ollama?

Esegui ollama run qwen3.5:35b-a3b-q4_k_m per avviare Qwen3.5 35B A3B (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 13 marzo 2026