Qwen3-30B-A3B (MoE) VRAM-Bedarf, GGUF-Größen & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für Qwen3-30B-A3B (MoE)

Gewichtsquantisierung (bpw)

KV-Cache-Präzision

Ziel-GPU / Unified-Memory-Klasse

Geräte (TP)

Kontextlänge (Tokens) 32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Knapp (>90 % nutzbar)

Modellgewichte: 79.2% KV: 13.8% Overhead: 7%

Gesamter Speicherbedarf

21.75 GB

Belegung pro Gerät: 21.75 GB

Modellgewichte

17.22 GB

KV-Cache (FP16): 3.00 GB

Gesch. Einzelstream-Decode

112.1 tok/s

Runtime- & TP-Overhead: 1.53 GB

Max. Kontext vor OOM

48,634

Tokens

Architekturbedingte KV-Komprimierung spart 87.5 % gegenüber naiver MHA FP16 (24.00 GB).

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Gesamter GPU-Speicherbedarf nach Gewichtspräzision und Kontextlänge (Batch = 1, FP16-KV-Cache)
Präzision / Format	Effektive bpw	Nur Gewichte	Gesamt @ 8K	Gesamt @ 32K	Gesamt @ 128K	Empfohlene Klasse (@ 32K)
FP16 / BF16	16.00 bpw	56.81 GB	60.28 GB	62.53 GB	71.53 GB	NVIDIA A100 80GB
FP8	8.50 bpw	30.18 GB	32.85 GB	35.10 GB	44.10 GB	Apple M4 Pro 48GB
Q8_0	8.50 bpw	30.18 GB	32.85 GB	35.10 GB	44.10 GB	Apple M4 Pro 48GB
Q6_K	6.56 bpw	23.29 GB	25.76 GB	28.01 GB	37.01 GB	RTX 5090 32GB
Q5_K_M	5.69 bpw	20.20 GB	22.57 GB	24.82 GB	33.82 GB	RTX 5090 32GB
Q4_K_M	4.85 bpw	17.22 GB	19.50 GB	21.75 GB	30.75 GB	RTX 3090 24GB
AWQ INT4	4.50 bpw	15.98 GB	18.22 GB	20.47 GB	29.47 GB	RTX 3090 24GB
IQ4_XS	4.25 bpw	15.09 GB	17.31 GB	19.56 GB	28.56 GB	RTX 3090 24GB

Hardware-Kompatibilität & Decode-Geschwindigkeit (Qwen3-30B-A3B (MoE) @ Q4_K_M, 32K Kontext)

Passstatus, Speicherauslastung und geschätzter Decode-Durchsatz auf führenden GPUs und Apple Silicon
Hardware-Klasse	Speicher & Bandbreite	Benötigt (32K)	Bewertung	Gesch. Decode-Rate
RTX 3090 24GB	24 GB · 936 GB/s	21.75 GB (91%)	Knapp (>90 % nutzbar)	112.1 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	21.75 GB (91%)	Knapp (>90 % nutzbar)	120.8 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	21.75 GB (68%)	Passt komfortabel	214.7 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	21.15 GB (33%)	Passt komfortabel	61.6 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	21.15 GB (17%)	Passt komfortabel	61.6 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	21.15 GB (11%)	Passt komfortabel	90.2 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	21.75 GB (27%)	Passt komfortabel	258.7 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	21.75 GB (27%)	Passt komfortabel	425.0 tok/s

Geprüfte Transformer-Architekturparameter

Checkpoint ID: Qwen/Qwen3-30B-A3B
Ollama Tag: qwen3:30b-a3b
License / Release: Apache-2.0 · 2025-Q2
Topologie & Attention: Mixture-of-Experts-Modell (MoE)
Aufmerksamkeitsmechanismus: Grouped-Query Attention (GQA)
Gesamtparameter (Mrd.): 30.5B
Aktive Parameter / Token (Mrd.): 3.3B
Verborgene Schichten / Hidden-Dimension: 48 / 2048
Query-Heads / KV-Heads: 32Q / 4KV (d=128)
MoE Routed Experts: 8 active / 128 total
Vocab / Max Position: 151,936 / 40,960

Quantisierte Formate speichern blockweise Skalierungsfaktoren und Nullpunkte neben gepackten Ganzzahlgewichten. Ein 4-Bit-GGUF-Checkpoint in Q4_K_M benötigt im Schnitt 4.85 effektive Bits pro Parameter (nicht 4.00), während Q8_0 bei 8.50 bpw liegt. Bei Mixture-of-Experts-Modellen bleiben sämtliche gerouteten und geteilten Experten im Speicher resident, um Host-Paging bei jedem Token zu verhindern.

Standard-Grouped-Query-Attention reserviert über alle Schichten hinweg 2 × L × H_kv × d_head × S × B × bytes_kv. DeepSeek Multi-head Latent Attention (MLA) komprimiert Keys und Values auf L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv und senkt den Speicherbedarf langer Kontexte um über 90 %. Hybride Sliding-Window-Modelle deckeln lokale Schichten bei min(S, window_size), während globale Schichten linear mit S wachsen.

Schnellstart-Befehle für vLLM & Ollama (Qwen3-30B-A3B (MoE))

vllm serve Qwen/Qwen3-30B-A3B \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create qwen3-30b-a3b-custom -f Modelfile
FROM qwen3:30b-a3b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Qwen3-30B-A3B (MoE) — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für Qwen3-30B-A3B (MoE)

Speicheraufschlüsselung & Bandbreitenlimit

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Hardware-Kompatibilität & Decode-Geschwindigkeit (Qwen3-30B-A3B (MoE) @ Q4_K_M, 32K Kontext)

Geprüfte Transformer-Architekturparameter

Schnellstart-Befehle für vLLM & Ollama (Qwen3-30B-A3B (MoE))

Verwandte & ähnlich große Open-Weight-Modelle vergleichen

Qwen3-32B

QwQ-32B (Reasoning)

Qwen2.5-Coder-32B-Instruct

Qwen3-14B

Qwen3-8B

Qwen2.5-72B-Instruct