Qwen3-4B
Qwen · Qwen/Qwen3-4B · gqa · full
| 量子化 | 2,048 | 8,192 | 32,768 |
|---|---|---|---|
| BF16 safetensors | 7.84 GiB–8.40 GiB | 8.68 GiB–9.24 GiB | 12.05 GiB–12.62 GiB |
| GGUF Q4_K_M | 2.67 GiB–3.23 GiB | 3.51 GiB–4.08 GiB | 6.89 GiB–7.45 GiB |
| GGUF Q8_0 | 4.33 GiB–4.89 GiB | 5.17 GiB–5.74 GiB | 8.55 GiB–9.11 GiB |
| INT4 theoretical | 2.21 GiB–2.96 GiB | 3.05 GiB–3.80 GiB | 6.43 GiB–7.17 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: 3.58 GiB – 4.08 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: Qwen3-4B-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。
- 32 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。