QwQ-32B (Reasoning) — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden
QwQ-32B (Reasoning) (Qwen, Apache-2.0) nutzt eine Dichter Transformer-Architektur mit 32.8B residenten Parametern (32.8B aktiv pro Token), 64 Schichten und Grouped-Query Attention (GQA) für bis zu 40,960 Kontext-Tokens.
Interaktiver Speicher- & Kontextsimulator für QwQ-32B (Reasoning)
Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)
| Präzision / Format | Effektive bpw | Nur Gewichte | Gesamt @ 8K | Gesamt @ 32K | Gesamt @ 128K | Empfohlene Klasse (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 61.09 GB | 66.13 GB | 72.13 GB | 96.13 GB | NVIDIA A100 80GB |
| FP8 | 8.50 bpw | 32.46 GB | 36.63 GB | 42.63 GB | 66.63 GB | NVIDIA L40S 48GB |
| Q8_0 | 8.50 bpw | 32.46 GB | 36.63 GB | 42.63 GB | 66.63 GB | NVIDIA L40S 48GB |
| Q6_K | 6.56 bpw | 25.05 GB | 29.00 GB | 35.00 GB | 59.00 GB | Apple M4 Pro 48GB |
| Q5_K_M | 5.69 bpw | 21.73 GB | 25.58 GB | 31.58 GB | 55.58 GB | Apple M4 Pro 48GB |
| Q4_K_M | 4.85 bpw | 18.52 GB | 22.28 GB | 28.28 GB | 52.28 GB | RTX 5090 32GB |
| AWQ INT4 | 4.50 bpw | 17.18 GB | 20.90 GB | 26.90 GB | 50.90 GB | RTX 5090 32GB |
| IQ4_XS | 4.25 bpw | 16.23 GB | 19.92 GB | 25.92 GB | 49.92 GB | RTX 5090 32GB |
Hardware-Kompatibilität & Decode-Geschwindigkeit (QwQ-32B (Reasoning) @ Q4_K_M, 32K Kontext)
| Hardware-Klasse | Speicher & Bandbreite | Benötigt (32K) | Bewertung | Gesch. Decode-Rate |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 28.28 GB (118%) | Zu wenig Speicher (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 28.28 GB (118%) | Zu wenig Speicher (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 28.28 GB (88%) | Knapp (>90 % nutzbar) | 39.4 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 27.66 GB (43%) | Passt komfortabel | 11.3 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 27.66 GB (22%) | Passt komfortabel | 11.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 27.66 GB (14%) | Passt komfortabel | 16.5 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 28.28 GB (35%) | Passt komfortabel | 47.4 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 28.28 GB (35%) | Passt komfortabel | 77.9 tok/s |
Geprüfte Transformer-Architekturparameter
- Checkpoint ID
- Qwen/QwQ-32B
- Ollama Tag
- qwq:32b
- License / Release
- Apache-2.0 · 2025-Q1
- Topologie & Attention
- Dichter Transformer
- Aufmerksamkeitsmechanismus
- Grouped-Query Attention (GQA)
- Gesamtparameter (Mrd.)
- 32.8B
- Aktive Parameter / Token (Mrd.)
- 32.8B
- Verborgene Schichten / Hidden-Dimension
- 64 / 5120
- Query-Heads / KV-Heads
- 40Q / 8KV (d=128)
- Vocab / Max Position
- 152,064 / 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 (QwQ-32B (Reasoning))
vllm serve Qwen/QwQ-32B \
--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 qwq-32b-custom -f Modelfile
FROM qwq:32b
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 serveVerwandte & ähnlich große Open-Weight-Modelle vergleichen
Qwen3-32B
Qwen · 32.8B (GQA)
Qwen2.5-Coder-32B-Instruct
Qwen · 32.8B (GQA)
Qwen3-30B-A3B (MoE)
Qwen · 30.5B (GQA)
Qwen3-14B
Qwen · 14.8B (GQA)
Qwen3-8B
Qwen · 8.2B (GQA)
Qwen2.5-72B-Instruct
Qwen · 72.7B (GQA)