Qwen3.5 35B A3B (Q8_K_XL) — 11.7 GBsu Apple M2 Pro 16GB

Q8_K_XL Apple M2 Pro 16GB

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 Q8_K_XL (livello di qualità high), il modello pesa 36.04 GB. Questo supera i 16 GB di VRAM di Apple M2 Pro 16GB. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.

Requisiti Hardware

Dimensione del modello	36.04 GB
VRAM disponibile	16 GB
VRAM utilizzata	11.7 GB
RAM min richiesta	35.6 GB
Livelli GPU	40 / 40
Dimensione del contesto	262.144
Backend	metal
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 →

Possibile impatto sulle prestazioni

Pesi degli esperti scaricati su CPU tramite sostituzione dei tensori. Si raccomandano almeno 35.6 GB di RAM di sistema — se insufficiente, i dati verranno letti dal disco su richiesta.

Distribuzione

Installa llama.cpp

brew install llama.cpp

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-Q8_K_XL.gguf"

Avvia server

llama-server \
  -m qwen3-5-35b-a3b.gguf \
  --n-gpu-layers 40 \
  --ctx-size 262144 \
  --flash-attn \
  -ot ".ffn_.*_exps.=CPU"

Verifica

curl http://localhost:8080/health

Esplora

• Configura una distribuzione
• Esplora modelli
• Esplora hardware

Altre quantizzazioni

• Qwen3.5 35B A3B (Q4_K_M)

Altro hardware

• Qwen3.5 35B A3B on CPU Only
• Qwen3.5 35B A3B on NVIDIA A100 80GB
• Qwen3.5 35B A3B on NVIDIA H100

Domande frequenti

Quanta VRAM serve per Qwen3.5 35B A3B (Q8_K_XL)?

La quantizzazione Q8_K_XL di Qwen3.5 35B A3B richiede 36.04 GB. Tutti i 40 livelli entrano nei 16 GB di VRAM disponibili su Apple M2 Pro 16GB, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen3.5 35B A3B su Apple M2 Pro 16GB?

Sì. Apple M2 Pro 16GB offre 16 GB di VRAM, sufficienti per eseguire Qwen3.5 35B A3B (Q8_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. Q8_K_XL comprime Qwen3.5 35B A3B dalla sua dimensione originale a 36.04 GB.

Quale quantizzazione scegliere per Qwen3.5 35B A3B?

Q8_K_XL è una quantizzazione di alta qualità. 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 Apple M2 Pro 16GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 16 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 (Q8_K_XL) con Ollama?

Esegui ollama run qwen3.5:35b-a3b-q8_k_xl per avviare Qwen3.5 35B A3B (Q8_K_XL). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 13 marzo 2026