VRAMLab

Qwen3-235B-A22B (MoE) — Besoins VRAM, matrice de quantification et guide GPU

Qwen3-235B-A22B (MoE) (Qwen, Apache-2.0) repose sur une architecture Mélange d’experts (MoE) comptant 235B paramètres résidents (22B actifs par token), 94 couches et Attention à requêtes groupées (GQA) prenant en charge jusqu’à 40,960 tokens de contexte.

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API → Comparer les tarifs API en direct sur DevToken →

Simulateur interactif de mémoire et de contexte pour Qwen3-235B-A22B (MoE)

32,768 tokens

Répartition mémoire et plafond de bande passante

Ajusté (>90 % utile)
Poids du modèle: 93.9% KV: 4.2% Overhead: 1.9%
Mémoire totale requise
141.35 Go
Allocation par périphérique: 141.35 Go
Poids du modèle
132.68 Go
Cache KV (FP16): 5.88 Go
Décodage estimé (1 flux)
24.0 tok/s
Surcharge runtime et TP: 2.79 Go
Contexte max avant OOM
177,059
tokens

La compression KV architecturale économise 93.8 % par rapport au MHA FP16 naïf (94.00 Go).

macOS plafonne par défaut la mémoire GPU verrouillée vers 144.0 Go (75 %) ; augmenter iogpu.wired_limit_mb débloque jusqu’à 169.0 Go (88 %).

sudo sysctl iogpu.wired_limit_mb=173015

Matrice VRAM par précision et quantification (contexte 8K / 32K / 128K)

Mémoire GPU totale requise selon la précision des poids et la longueur du contexte (batch = 1, cache KV FP16)
Précision / Format bpw effectifs Poids seuls Total @ ctx 8K Total @ ctx 32K Total @ ctx 128K Palier recommandé (@ 32K)
FP16 / BF16 16.00 bpw 437.72 Go 446.56 Go 450.96 Go 468.59 Go 8× NVIDIA H100 80GB
FP8 8.50 bpw 232.54 Go 238.30 Go 242.70 Go 260.33 Go Mac Studio 512GB
Q8_0 8.50 bpw 232.54 Go 238.30 Go 242.70 Go 260.33 Go Mac Studio 512GB
Q6_K 6.56 bpw 179.47 Go 184.43 Go 188.83 Go 206.46 Go Mac Studio 512GB
Q5_K_M 5.69 bpw 155.66 Go 160.27 Go 164.67 Go 182.30 Go Mac Studio 512GB
Q4_K_M 4.85 bpw 132.68 Go 136.94 Go 141.35 Go 158.97 Go Mac Studio 192GB
AWQ INT4 4.50 bpw 123.11 Go 127.22 Go 131.63 Go 149.26 Go NVIDIA H200 141GB
IQ4_XS 4.25 bpw 116.27 Go 120.28 Go 124.69 Go 142.31 Go NVIDIA H200 141GB

Compatibilité matérielle et vitesse de décodage (Qwen3-235B-A22B (MoE) @ Q4_K_M, contexte 32K)

Statut de compatibilité, utilisation mémoire et débit de décodage estimé sur les GPU phares et Apple Silicon
Palier matériel Mémoire et bande passante Requis (32K) Compatibilité Débit décodage est.
RTX 3090 24GB 24 Go · 936 GB/s 143.68 Go (599%) Mémoire insuffisante (OOM) —
RTX 4090 24GB 24 Go · 1008 GB/s 143.68 Go (599%) Mémoire insuffisante (OOM) —
RTX 5090 32GB 32 Go · 1792 GB/s 143.68 Go (449%) Mémoire insuffisante (OOM) —
Apple M-Max 64GB 64 Go · 546 GB/s 141.35 Go (221%) Mémoire insuffisante (OOM) —
Mac Studio 128GB 128 Go · 546 GB/s 141.35 Go (110%) Mémoire insuffisante (OOM) —
Mac Studio 192GB 192 Go · 800 GB/s 141.35 Go (74%) Ajusté (>90 % utile) 24.0 tok/s
NVIDIA A100 80GB 80 Go · 2039 GB/s 143.68 Go (180%) Mémoire insuffisante (OOM) —
NVIDIA H100 80GB 80 Go · 3350 GB/s 143.68 Go (180%) Mémoire insuffisante (OOM) —

Paramètres vérifiés de l’architecture Transformer

Checkpoint ID
Qwen/Qwen3-235B-A22B
Ollama Tag
qwen3:235b
License / Release
Apache-2.0 · 2025-Q2
Topologie et attention
Mélange d’experts (MoE)
Mécanisme d’attention
Attention à requêtes groupées (GQA)
Paramètres totaux (B)
235B
Paramètres actifs / token (B)
22B
Couches cachées / Dimension cachée
94 / 4096
Têtes de requête / Têtes KV
64Q / 4KV (d=128)
MoE Routed Experts
8 active / 128 total
Vocab / Max Position
151,936 / 40,960

Les formats quantifiés stockent des facteurs d’échelle et des points zéro par bloc aux côtés des poids entiers compressés. Un checkpoint GGUF Q4_K_M 4 bits occupe en moyenne 4.85 bits effectifs par paramètre (et non 4.00), tandis que Q8_0 atteint 8.50 bpw. Pour les architectures Mixture-of-Experts, l’ensemble des experts routés et partagés reste résident en mémoire afin d’éviter la pagination hôte à chaque token.

L’attention à requêtes groupées standard alloue 2 × L × H_kv × d_head × S × B × bytes_kv sur l’ensemble des couches. L’attention latente multi-têtes de DeepSeek (MLA) compresse clés et valeurs en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, réduisant de plus de 90 % l’empreinte mémoire sur long contexte. Les modèles hybrides à fenêtre glissante plafonnent les couches locales à min(S, window_size) tout en faisant croître linéairement les couches globales avec S.

Commandes rapides vLLM et Ollama pour Qwen3-235B-A22B (MoE)

CLI vLLM (Mac Studio 192GB) 
vllm serve Qwen/Qwen3-235B-A22B \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.88 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000
Modelfile Ollama 
# Optional macOS unified-memory ceiling override before launching:
# sudo sysctl iogpu.wired_limit_mb=173015

# Save as Modelfile, then run: ollama create qwen3-235b-a22b-custom -f Modelfile
FROM qwen3:235b
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

Comparer les modèles proches et de taille similaire à poids ouverts

Qwen2.5-72B-Instruct

Qwen · 72.7B (GQA)

53.7 Go @ Q4_K_M · NVIDIA A100 80GB

Qwen3-32B

Qwen · 32.8B (GQA)

28.3 Go @ Q4_K_M · RTX 5090 32GB

QwQ-32B (Reasoning)

Qwen · 32.8B (GQA)

28.3 Go @ Q4_K_M · RTX 5090 32GB

Qwen2.5-Coder-32B-Instruct

Qwen · 32.8B (GQA)

28.3 Go @ Q4_K_M · RTX 5090 32GB

Qwen3-30B-A3B (MoE)

Qwen · 30.5B (GQA)

21.8 Go @ Q4_K_M · RTX 3090 24GB

Qwen3-14B

Qwen · 14.8B (GQA)

14.8 Go @ Q4_K_M · RTX 4060 Ti 16GB