Qwen3-32B
Qwen · Qwen/Qwen3-32B · gqa · full
| Quantização | 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 |
Estimativa
Indeterminado
Falta orçamento ou dado essencial, ou este modo de implantação não pode ser julgado nesta versão.
Faixa estimada de memória: 20,53 GiB – 21,41 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.
- 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: Qwen3-32B-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 8 heads KV, não 64 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.