Requisitos de VRAM de Qwen3-30B-A3B (MoE), tamaños GGUF y guí…

Simulador interactivo de memoria y contexto para Qwen3-30B-A3B (MoE)

Cuantización de pesos (bpw)

Precisión de caché KV

GPU objetivo / nivel de memoria unificada

Dispositivos (TP)

Longitud de contexto (tokens) 32,768 tokens

Desglose de memoria y techo de ancho de banda

Ajustado (>90 % útil)

Pesos del modelo: 79.2% KV: 13.8% Overhead: 7%

Memoria total requerida

21.75 GB

Asignación por dispositivo: 21.75 GB

Pesos del modelo

17.22 GB

Caché KV (FP16): 3.00 GB

Decodificación estimada (1 flujo)

112.1 tok/s

Sobrecarga de runtime y TP: 1.53 GB

Contexto máx. antes de OOM

48,634

tokens

La compresión KV de la arquitectura ahorra un 87.5 % frente a MHA FP16 sin comprimir (24.00 GB).

Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)

Memoria GPU total requerida según precisión de pesos y longitud de contexto (lote = 1, caché KV en FP16)
Precisión / Formato	bpw efectivos	Solo pesos	Total @ ctx 8K	Total @ ctx 32K	Total @ ctx 128K	Nivel recomendado (@ 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

Compatibilidad de hardware y velocidad de decodificación (Qwen3-30B-A3B (MoE) @ Q4_K_M, contexto 32K)

Estado de ajuste, uso de memoria y rendimiento estimado de decodificación en GPU principales y Apple Silicon
Nivel de hardware	Memoria y ancho de banda	Requerido (32K)	Veredicto de ajuste	Velocidad est. decodificación
RTX 3090 24GB	24 GB · 936 GB/s	21.75 GB (91%)	Ajustado (>90 % útil)	112.1 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	21.75 GB (91%)	Ajustado (>90 % útil)	120.8 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	21.75 GB (68%)	Cabe con holgura	214.7 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	21.15 GB (33%)	Cabe con holgura	61.6 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	21.15 GB (17%)	Cabe con holgura	61.6 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	21.15 GB (11%)	Cabe con holgura	90.2 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	21.75 GB (27%)	Cabe con holgura	258.7 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	21.75 GB (27%)	Cabe con holgura	425.0 tok/s

Parámetros verificados de la arquitectura Transformer

Checkpoint ID: Qwen/Qwen3-30B-A3B
Ollama Tag: qwen3:30b-a3b
License / Release: Apache-2.0 · 2025-Q2
Topología y atención: Mezcla de expertos (MoE)
Mecanismo de atención: Atención de consulta agrupada (GQA)
Parámetros totales (B): 30.5B
Parámetros activos / token (B): 3.3B
Capas ocultas / Tamaño oculto: 48 / 2048
Cabezas de consulta / Cabezas KV: 32Q / 4KV (d=128)
MoE Routed Experts: 8 active / 128 total
Vocab / Max Position: 151,936 / 40,960

Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.

La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.

Comandos rápidos de vLLM y Ollama para 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