Qwen3-4B
Qwen · Qwen/Qwen3-4B · gqa · full
| Quantização | 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 |
Estimativa
Indeterminado
Falta orçamento ou dado essencial, ou este modo de implantação não pode ser julgado nesta versão.
Faixa estimada de memória: 3,58 GiB – 4,08 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: Qwen3-4B-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 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.