Requisitos de VRAM de Qwen3-8B, tamaños GGUF y guía de GPU

Simulador interactivo de memoria y contexto para Qwen3-8B

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: 44.5% KV: 43.2% Overhead: 12.3%

Memoria total requerida

10.41 GB

Asignación por dispositivo: 10.41 GB

Pesos del modelo

4.63 GB

Caché KV (FP16): 4.50 GB

Decodificación estimada (1 flujo)

23.0 tok/s

Sobrecarga de runtime y TP: 1.28 GB

Contexto máx. antes de OOM

42,971

tokens

La compresión KV de la arquitectura ahorra un 75.0 % frente a MHA FP16 sin comprimir (18.00 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	15.27 GB	18.00 GB	21.37 GB	34.87 GB	RTX 3090 24GB
FP8	8.50 bpw	8.11 GB	10.62 GB	14.00 GB	27.50 GB	RTX 4060 Ti 16GB
Q8_0	8.50 bpw	8.11 GB	10.62 GB	14.00 GB	27.50 GB	RTX 4060 Ti 16GB
Q6_K	6.56 bpw	6.26 GB	8.72 GB	12.09 GB	25.59 GB	RTX 4060 Ti 16GB
Q5_K_M	5.69 bpw	5.43 GB	7.86 GB	11.23 GB	24.73 GB	RTX 3060 12GB
Q4_K_M	4.85 bpw	4.63 GB	7.03 GB	10.41 GB	23.91 GB	RTX 3060 12GB
AWQ INT4	4.50 bpw	4.30 GB	6.69 GB	10.06 GB	23.56 GB	RTX 3060 12GB
IQ4_XS	4.25 bpw	4.06 GB	6.44 GB	9.82 GB	23.32 GB	RTX 3060 12GB

Compatibilidad de hardware y velocidad de decodificación (Qwen3-8B @ 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	10.41 GB (43%)	Cabe con holgura	59.7 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	10.41 GB (43%)	Cabe con holgura	64.3 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	10.41 GB (33%)	Cabe con holgura	114.4 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	10.00 GB (16%)	Cabe con holgura	32.8 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	10.00 GB (8%)	Cabe con holgura	32.8 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	10.00 GB (5%)	Cabe con holgura	48.1 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	10.41 GB (13%)	Cabe con holgura	137.8 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	10.41 GB (13%)	Cabe con holgura	226.4 tok/s

Parámetros verificados de la arquitectura Transformer

Checkpoint ID: Qwen/Qwen3-8B
Ollama Tag: qwen3:8b
License / Release: Apache-2.0 · 2025-Q2
Topología y atención: Transformer denso
Mecanismo de atención: Atención de consulta agrupada (GQA)
Parámetros totales (B): 8.2B
Parámetros activos / token (B): 8.2B
Capas ocultas / Tamaño oculto: 36 / 4096
Cabezas de consulta / Cabezas KV: 32Q / 8KV (d=128)
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 Qwen3-8B

vllm serve Qwen/Qwen3-8B \
  --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 qwen3-8b-custom -f Modelfile
FROM qwen3:8b
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