Qwen3.5 4B (Q5_K_XL) — 24.3 GBsu Apple M4 Max 128GB
Panoramica
Qwen3.5 4B è un modello linguistico dense da 4.66B parametri di Qwen, con capacità di code, multilingual, thinking, tool-calls, vision. Supporta una finestra di contesto fino a 262,144 token.
Qwen3.5 4B è un modello della famiglia Qwen 3.5 di Alibaba con architettura ibrida Gated Delta Networks e 4,66 miliardi di parametri, ampiamente considerato il punto ottimale dalla comunità per prestazioni per watt. 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, eguagliando quasi i modelli MoE da 80B della generazione precedente sui benchmark di codice. Rilasciato sotto licenza Apache 2.0, funziona con circa 3 GB di VRAM in Q4, offrendo un deployment self-hosted veloce e stabile su hardware consumer.
Con la quantizzazione Q5_K_XL (livello di qualità medium), il modello pesa 3.03 GB. Questo rientra nei 128 GB di VRAM di Apple M4 Max 128GB, consentendo l'inferenza completa su GPU.
Requisiti Hardware
| Dimensione del modello | 3.03 GB |
| VRAM disponibile | 128 GB |
| VRAM utilizzata | 24.3 GB |
| RAM di sistema | |
| RAM min richiesta | 0 GB |
| Livelli GPU | 32 / 32 |
| Dimensione del contesto | 262.144 |
| Backend | metal |
| Flash attention | Sì |
| Lettura da disco | Sì |
Distribuzione
Installa llama.cpp
brew install llama.cppScarica modello
curl -L -o qwen3-5-4b.gguf "https://huggingface.co/unsloth/Qwen3.5-4B-GGUF/resolve/main/Qwen3.5-4B-UD-Q5_K_XL.gguf"Avvia server
llama-server \
-m qwen3-5-4b.gguf \
--n-gpu-layers 32 \
--ctx-size 262144 \
--flash-attnVerifica
curl http://localhost:8080/healthDomande frequenti
Quanta VRAM serve per Qwen3.5 4B (Q5_K_XL)?
La quantizzazione Q5_K_XL di Qwen3.5 4B richiede 3.03 GB. Tutti i 32 livelli entrano nei 128 GB di VRAM disponibili su Apple M4 Max 128GB, consentendo un'accelerazione GPU completa.
Posso eseguire Qwen3.5 4B su Apple M4 Max 128GB?
Sì. Apple M4 Max 128GB offre 128 GB di VRAM, sufficienti per eseguire Qwen3.5 4B (Q5_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. Q5_K_XL comprime Qwen3.5 4B dalla sua dimensione originale a 3.03 GB.
Quale quantizzazione scegliere per Qwen3.5 4B?
Q5_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 4B su Apple M4 Max 128GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 128 GB di VRAM disponibili.
Come eseguire Qwen3.5 4B (Q5_K_XL) con Ollama?
Esegui ollama run qwen3.5:4b-q5_k_xl per avviare Qwen3.5 4B (Q5_K_XL). Ollama scarica automaticamente i pesi del modello al primo avvio.