Qwen3-32B
Qwen · Qwen/Qwen3-32B · gqa · full
| 量子化 | 2,048 | 8,192 | 32,768 |
|---|---|---|---|
| BF16 safetensors | 61.59 GiB–62.15 GiB | 63.09 GiB–63.65 GiB | 69.09 GiB–69.65 GiB |
| GGUF Q4_K_M | 18.97 GiB–19.53 GiB | 20.47 GiB–21.03 GiB | 26.47 GiB–27.03 GiB |
| INT4 theoretical | 15.84 GiB–17.93 GiB | 17.34 GiB–19.43 GiB | 23.34 GiB–25.43 GiB |
見積もり
判断できない
予算や必須データが足りないか、この版では扱えない配置です。
推定メモリ範囲: 20.53 GiB – 21.41 GiB
重みは選択したファイルのメタデータを使います。実行時の追加分は見積もりです。
ソフトウェアの対応
文書で対応が確認できる. メモリが足りても、指定のエンジン・量子化・OS で動くとは限りません。動いても速いとは限りません。
結果を左右する前提
- 常駐ウェイトの見積もりは総パラメータを使い、非アクティブな MoE エキスパートも含めます。
- ウェイトのバイト数は選んだファイルだけです。リポジトリ内の全量子化を合計しません。
- ダウンロードサイズはピーク GPU メモリではありません。実行時レイアウトと KV は別です。
- 計上したファイル: Qwen3-32B-Q4_K_M.gguf。
- コンテキストはシーケンスあたりのキャッシュトークン数（入力＋生成の予約）です。
- 同時シーケンスは同一のモデル複製を共有し、ウェイトはシーケンス数では増えません。
- KV の型は、変更しない限りウェイト量子化とは独立です。
- 64 個の query heads ではなく 8 個の KV heads を使います。
- プリフィルのピークと定常デコードは同じではありません。高シナリオはプリフィル寄りです。
- エンジン予約はウェイトと KV の実使用量ではありません。
- llama.cpp の計算バッファはコンテキストとバッチで増えます。ここは調整可能なシナリオで、一致する校正がある場合だけ実測として示します。