Qwen3-235B-A22B (MoE) — Requisiti VRAM, matrice di quantizzazione e guida GPU
Qwen3-235B-A22B (MoE) (Qwen, Apache-2.0) adotta un’architettura Miscela di esperti (MoE) con 235B parametri residenti (22B attivi per token), 94 livelli e Attenzione a query raggruppate (GQA) con supporto fino a 40,960 token di contesto.
Simulatore interattivo di memoria e contesto per Qwen3-235B-A22B (MoE)
Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)
| Precisione / Formato | bpw effettivi | Solo pesi | Totale @ ctx 8K | Totale @ ctx 32K | Totale @ ctx 128K | Fascia consigliata (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 437.72 GB | 446.56 GB | 450.96 GB | 468.59 GB | 8× NVIDIA H100 80GB |
| FP8 | 8.50 bpw | 232.54 GB | 238.30 GB | 242.70 GB | 260.33 GB | Mac Studio 512GB |
| Q8_0 | 8.50 bpw | 232.54 GB | 238.30 GB | 242.70 GB | 260.33 GB | Mac Studio 512GB |
| Q6_K | 6.56 bpw | 179.47 GB | 184.43 GB | 188.83 GB | 206.46 GB | Mac Studio 512GB |
| Q5_K_M | 5.69 bpw | 155.66 GB | 160.27 GB | 164.67 GB | 182.30 GB | Mac Studio 512GB |
| Q4_K_M | 4.85 bpw | 132.68 GB | 136.94 GB | 141.35 GB | 158.97 GB | Mac Studio 192GB |
| AWQ INT4 | 4.50 bpw | 123.11 GB | 127.22 GB | 131.63 GB | 149.26 GB | NVIDIA H200 141GB |
| IQ4_XS | 4.25 bpw | 116.27 GB | 120.28 GB | 124.69 GB | 142.31 GB | NVIDIA H200 141GB |
Compatibilità hardware e velocità di decodifica (Qwen3-235B-A22B (MoE) @ Q4_K_M, contesto 32K)
| Fascia hardware | Memoria e banda | Richiesta (32K) | Compatibilità | Velocità decod. stimata |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 143.68 GB (599%) | Memoria esaurita (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 143.68 GB (599%) | Memoria esaurita (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 143.68 GB (449%) | Memoria esaurita (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 141.35 GB (221%) | Memoria esaurita (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 141.35 GB (110%) | Memoria esaurita (OOM) | — |
| Mac Studio 192GB | 192 GB · 800 GB/s | 141.35 GB (74%) | Al limite (>90% usabile) | 24.0 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 143.68 GB (180%) | Memoria esaurita (OOM) | — |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 143.68 GB (180%) | Memoria esaurita (OOM) | — |
Parametri verificati dell’architettura Transformer
- Checkpoint ID
- Qwen/Qwen3-235B-A22B
- Ollama Tag
- qwen3:235b
- License / Release
- Apache-2.0 · 2025-Q2
- Topologia e attenzione
- Miscela di esperti (MoE)
- Meccanismo di attenzione
- Attenzione a query raggruppate (GQA)
- Parametri totali (B)
- 235B
- Parametri attivi / token (B)
- 22B
- Livelli nascosti / Dimensione nascosta
- 94 / 4096
- Teste di query / Teste KV
- 64Q / 4KV (d=128)
- MoE Routed Experts
- 8 active / 128 total
- Vocab / Max Position
- 151,936 / 40,960
I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.
La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.
Comandi rapidi vLLM e Ollama per Qwen3-235B-A22B (MoE)
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# 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 serveConfronta modelli affini e di scala simile a pesi aperti
Qwen2.5-72B-Instruct
Qwen · 72.7B (GQA)
Qwen3-32B
Qwen · 32.8B (GQA)
QwQ-32B (Reasoning)
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)