Qwen3-30B-A3B
Qwen · Qwen/Qwen3-30B-A3B · gqa · full
| Quantização | 2.048 | 8.192 | 32.768 |
|---|---|---|---|
| BF16 safetensors | 57,12 GiB–57,68 GiB | 57,68 GiB–58,25 GiB | 59,93 GiB–60,50 GiB |
| GGUF Q4_K_M | 17,53 GiB–18,09 GiB | 18,09 GiB–18,66 GiB | 20,34 GiB–20,91 GiB |
| GGUF Q8_0 | 30,50 GiB–31,07 GiB | 31,07 GiB–31,63 GiB | 33,32 GiB–33,88 GiB |
| INT4 theoretical | 14,45 GiB–16,44 GiB | 15,02 GiB–17,00 GiB | 17,27 GiB–19,25 GiB |
Estimativa
Indeterminado
Falta orçamento ou dado essencial, ou este modo de implantação não pode ser julgado nesta versão.
Faixa estimada de memória: 18,16 GiB – 18,93 GiB
Os pesos usam metadados dos arquivos escolhidos. O extra de execução continua estimado.
Compatibilidade de software
Suporte documentado. Caber na memória não prova que o motor, a quantização e o sistema operacional funcionam juntos. Ter suporte também não significa ser rápido.
Premissas que afetam o resultado
- A estimativa residente usa o total de parâmetros, inclusive especialistas MoE inativos.
- Este MoE tem 30500000000 parâmetros totais e 3300000000 ativos. O compute ativo não é a residência dos pesos.
- Os bytes dos pesos vêm só dos arquivos escolhidos, não de todas as quantizações do repositório.
- O tamanho do download não é o pico de GPU. Layout em execução e KV vêm a mais.
- Arquivos contados: Qwen3-30B-A3B-Q4_K_M.gguf.
- O contexto é o número de tokens em cache por sequência (entrada mais geração reservada).
- Sequências simultâneas compartilham uma cópia do modelo; os pesos não multiplicam pela quantidade de sequências.
- O tipo da KV é independente da quantização dos pesos, a menos que você mude.
- Usando 4 heads KV, não 32 de consulta.
- O pico de prefill e a decodificação estável não são iguais. O cenário alto fica mais perto do prefill.
- A reserva do motor não é o uso real de pesos e KV.
- Os buffers do llama.cpp crescem com contexto e batch. São cenários ajustáveis, não medições — salvo uma calibração correspondente.