Qwen3.5 4B (Q6_K) — 24.6 GBsu AMD Radeon 8050S 32GB

Code Multilingual Thinking Tool Calls Vision

Q6_K AMD Radeon 8050S 32GB

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 Q6_K (livello di qualità high), il modello pesa 3.28 GB. Questo rientra nei 32 GB di VRAM di AMD Radeon 8050S 32GB, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	3.28 GB
VRAM disponibile	32 GB
VRAM utilizzata	24.6 GB
RAM di sistema
RAM min richiesta	0 GB
Livelli GPU	32 / 32
Dimensione del contesto	262.144
Backend	vulkan
Flash attention	Sì
Lettura da disco	Sì

Distribuzione

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen3-5-4b/q6_k/amd-8050s-32gb.yaml) apply

File `values.yaml`

/values/qwen3-5-4b/q6_k/amd-8050s-32gb.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 qwen3-5-4b.gguf "https://huggingface.co/unsloth/Qwen3.5-4B-GGUF/resolve/main/Qwen3.5-4B-Q6_K.gguf"

Avvia server

llama-server \
  -m qwen3-5-4b.gguf \
  --n-gpu-layers 32 \
  --ctx-size 262144 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Domande frequenti

Quanta VRAM serve per Qwen3.5 4B (Q6_K)?

La quantizzazione Q6_K di Qwen3.5 4B richiede 3.28 GB. Tutti i 32 livelli entrano nei 32 GB di VRAM disponibili su AMD Radeon 8050S 32GB, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen3.5 4B su AMD Radeon 8050S 32GB?

Sì. AMD Radeon 8050S 32GB offre 32 GB di VRAM, sufficienti per eseguire Qwen3.5 4B (Q6_K) 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. Q6_K comprime Qwen3.5 4B dalla sua dimensione originale a 3.28 GB.

Quale quantizzazione scegliere per Qwen3.5 4B?

Q6_K 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 4B su AMD Radeon 8050S 32GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 32 GB di VRAM disponibili.

Come eseguire Qwen3.5 4B (Q6_K) con Ollama?

Esegui ollama run qwen3.5:4b-q6_k per avviare Qwen3.5 4B (Q6_K). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 13 marzo 2026