Qwen3.5 35B A3B (Q4_K_M) — 29.8 GBsu OVH h100-1-gpu

Q4_K_M OVH h100-1-gpu

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 rientra nei 80 GB di VRAM di OVH h100-1-gpu, consentendo l'inferenza completa su GPU.

La NVIDIA H100 80 GB e una GPU datacenter con 80 GB di HBM3 VRAM e 3350 GB/s di larghezza di banda della memoria. Offre 1979 FP16 TFLOPS sull'architettura Hopper, rendendola l'opzione GPU singola piu veloce per l'inferenza di grandi modelli linguistici. Gestisce modelli fino a 70B parametri con elevato throughput. Progettata per team datacenter che eseguono carichi di lavoro IA impegnativi in produzione.

Requisiti Hardware

Dimensione del modello	18.49 GB
VRAM disponibile	80 GB
VRAM utilizzata	29.8 GB
RAM di sistema	350 GB
Livelli GPU	40 / 40
Dimensione del contesto	262.144
Backend	cuda13
Flash attention	Sì

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 →

Distribuzione

Server Locale

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/qwen3-5-35b-a3b/q4_k_m/nvidia-h100-80gb.yaml) apply

File values.yaml

/values/qwen3-5-35b-a3b/q4_k_m/nvidia-h100-80gb.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 40 \
  --ctx-size 262144 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altro hardware

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• 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. Tutti i 40 livelli entrano nei 80 GB di VRAM disponibili su OVH h100-1-gpu, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen3.5 35B A3B su OVH h100-1-gpu?

Sì. OVH h100-1-gpu offre 80 GB di VRAM, sufficienti per eseguire Qwen3.5 35B A3B (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 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.

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 35B A3B su OVH h100-1-gpu, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 80 GB di VRAM disponibili.

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: 20 marzo 2026