Qwen3-VL 30B-A3B Instruct
30B-A3BAlibaba Qwen3-VL
多模态 MoE,激活参数仅约 3B,因此在苹果统一内存上依然跟手,CPU 卸载的表现也远好于稠密 30B。Q4_K_M 在 4K 下约需 19.9 GB,24 GB 显卡可以从容运行;Q3_K_M 降到 15.1 GB。视觉编码器是另外一个 1.1 GB 的文件。
262K
最大上下文
4
量化变体
GGUF Q8_0
最佳质量
+0.3%
困惑度增幅(最佳档位)
量化变体对比
各量化级别的显存、质量损失及 RTX 4090 推理速度
实测 = 本站跑过 · 估算 = 本站未跑过:推算所得,或本站未核实的数字 · 社区 = 公开报告
| 格式 | 级别 | BPW | 显存 | PPL 损失 | 速度 | 来源 | 操作 |
|---|---|---|---|---|---|---|---|
| GGUF | Q4_K_M | 4.88 | 19.9 GB | 2.6% | 95 tok/s | 社区 | |
| GGUF | Q3_K_M | 3.69 | 15.1 GB | 5.4% | 104 tok/s | 估算 | |
| GGUF | Q8_0 | 8.51 | 34.4 GB | 0.3% | — | 估算 | |
| AWQ | INT4 | 4 | 16.4 GB | 3.7% | 112 tok/s | 估算 |
每个体积对应哪个文件
文件大小不等于显存:显存一栏是计算器在 4K 上下文下的总量 —— 权重加 KV 缓存,再加 10% 的激活缓冲。两边的单位是有意不同的:文件大小用十进制 GB,和 Hugging Face 列表一致;显存一栏用 GiB(1024³ 字节),并在权重上多算 2%,所以 7.12 GB 的文件在那一栏里约是 6.8 GiB。仓库若带视觉投影(mmproj),它是另外下载的文件,两个数字都不含它。
- GGUF Q4_K_Mbartowski/Qwen_Qwen3-VL-30B-A3B-Instruct-GGUF · Qwen_Qwen3-VL-30B-A3B-Instruct-Q4_K_M.gguf · 18.63 GB (18,632,185,056 字节) · 另需视觉投影 1.08 GB · 2026-11-03 核对
- GGUF Q3_K_Mbartowski/Qwen_Qwen3-VL-30B-A3B-Instruct-GGUF · Qwen_Qwen3-VL-30B-A3B-Instruct-Q3_K_M.gguf · 14.08 GB (14,076,804,320 字节) · 另需视觉投影 1.08 GB · 2026-11-03 核对
- GGUF Q8_0bartowski/Qwen_Qwen3-VL-30B-A3B-Instruct-GGUF · Qwen_Qwen3-VL-30B-A3B-Instruct-Q8_0.gguf · 32.48 GB (32,483,933,408 字节) · 另需视觉投影 1.08 GB · 2026-11-03 核对
- AWQ INT4按计算器这一档位的通用比特率估算,没有核对具体文件。
相关社区实测
以下报告只代表报告自身的测试条件,其速度不会替代本页估算,也不能证明你的配置能装下。
我们审核过的链接索引尚未收录此模型的报告。你可以浏览社区实测,或在下方分享自己的测试。
在 llamaPerf 浏览更多实测 ↗相似模型
与 Qwen3-VL 8B 对比Qwen3-VL 8B Instruct
Alibaba Qwen3-VL
当代视觉语言模型,Q4 约 5.9GB,单张 8–12GB 卡仍可跑。没有 24GB 显卡的人做多模态的现实选择 —— 注意视觉编码器会额外占用显存,下方 KV cache 计算并未包含这部分。
Gemma 4 26B-A4B IT
Google Gemma 4
Google Gemma 4 的混合专家模型:文本部分约 25B 参数,每 token 激活约 4B,256K 上下文,支持图像输入。30 层中只有 5 层的缓存随上下文增长,而且这些层用的是更少、更宽的注意力头,所以缓存很小——32K 下约 0.9 GB,用满 256K 也只要约 5.3 GB。Q4_K_M 下 32K 上下文约 18.8 GB:24 GB 显卡可以从容运行,甚至能加载完整窗口(偏紧,约 23.6 GB)。16 GB 显卡装不下,光 Q4_K_M 文件就有 17.0 GB。视觉编码器是另外一个 1.2 GB 的文件。体积按 bartowski 的 GGUF 文件计算,其 Q4_K_M 折合每参数 5.40 比特,明显高于通用的 4 比特档;Unsloth 的 UD-Q4_K_M 是另一个文件,小 0.09 GB。各档位的质量损失未公布。
Gemma 4 31B IT
Google Gemma 4
Google Gemma 4 的稠密旗舰:约 31B 参数,256K 上下文,支持图像输入。60 层中只有 10 层缓存完整上下文,而且这些层只用 4 个宽 KV 头,所以 128K 上下文只增加约 11 GB 缓存,常规的 60 层结构则要约 120 GB。Q4_K_M 在 4K 下约需 22.1 GB,在 24 GB 显卡上偏紧;Q3_K_M 在 4K 下约 18.3 GB。32 GB 显卡跑 Q4_K_M 的 32K 很从容。Google 还发布了官方的量化感知训练(QAT)Q4_0 版本,单个 17.7 GB 文件:4K 下约 20.1 GB,24 GB 显卡宽裕地跑到 16K。它的视觉编码器是另外一个 1.2 GB 的文件,加载后在 24 GB 上连 4K 都偏紧。其余档位按 bartowski 的 GGUF 文件计算,各档位的质量损失未公布。该仓库另有两个用于推测解码的 MTP 草稿头文件(Q4_0 为 349 MB,Q8_0 为 515 MB),它们不是模型本体,不计入这里的显存。
Qwen3.6 35B-A3B
Alibaba Qwen3.6
今年被推荐最多的 24 GB 显卡模型之一:总参数 35.5B,每个 token 约激活 3B,每个 token 读取的数据量和 3B 模型差不多。40 层中只有 10 层保留会增长的 KV 缓存,所以上下文很便宜:Q4_K_M 在 4K 下约需 23.4 GB,32K 下约 24.0 GB。按本站的规则,这在 24 GB 显卡上属于「勉强」而不是「宽裕」,因为本站计入了多数指南忽略的运行缓冲;32 GB 显卡,或 48 GB 的 Mac(靠 GPU 可用的那部分统一内存)才有真正的余量。它通过单独的视觉编码器读取图像。体积按 bartowski 的 GGUF 文件计算;Unsloth 的 UD-Q4_K_M 是另一个文件,小 0.15 GB。各档位的质量损失未公布。
在本地运行 Qwen3-VL 30B-A3B Instruct
在 Q4_K_M、4K 上下文下,Qwen3-VL 30B-A3B Instruct 约需 19.9 GB —— 权重 17.7 GB、KV 缓存 0.38 GB、激活缓冲 1.8 GB。本索引中能宽裕跑它的最小规格是 24 GB 显卡 —— 共 5 张,RTX 3090 起步;105 张卡中有 32 张可以。这些是计算值而非实测值:估算把「宽裕」的界线画在显存的 88%,大致就是桌面环境需要留出的余量。
上下文变长会多花多少
从 4K 提到 32K 约多占 2.62 GB,总量来到 22.8 GB。权重不随上下文变化,只有 KV 缓存会,而且是线性增长 —— 规划长文档场景时要盯的就是这个数字。该模型的原生上下文是 256K;在 Q4_K_M 下把它全部撑满约需 46 GB。
该下载哪个版本
本索引收录了它的 2 种格式 —— GGUF、AWQ —— 共 4 个档位。 其中 Q8_0 的公开困惑度损失最低,为 0.3%。列出的最快档位是 AWQ INT4,在 RTX 4090、batch 1 下约 112 tok/s —— 这是估算值,不是本站硬件上的实测。GGUF 可在 NVIDIA、AMD 与苹果芯片上通过 llama.cpp 和 Ollama 运行;AWQ 与 GPTQ 面向 CUDA 和 ROCm 上的 vLLM;EXL2 是 ExLlamaV2 —— 仅限 CUDA,而且已经归档,适合本机使用而不适合提供服务。
常见问题
- Qwen3-VL 30B-A3B Instruct 需要多少显存?
- 在 Q4_K_M、4K 上下文、batch 1 下约 19.9 GB,到 32K 时约 22.8 GB。这个数字是权重加 KV 缓存再加 10% 激活缓冲,由模型架构计算得出,不是在显卡上实测的。
- Qwen3-VL 30B-A3B Instruct 能在 24GB 显卡上跑吗?
- 可以 —— 在 Q4_K_M、4K 上下文下约需 19.9 GB,在 RTX 3090 上还剩 4.1 GB,本索引中 5 张 24 GB 显卡都一样。这是能宽裕跑它的最小规格;105 张中有 32 张可以。
- Qwen3-VL 30B-A3B Instruct 该用哪个量化档位?
- Q8_0 的公开质量损失最低(0.3%),而 Q4_K_M 是多数人使用的档位。索引中的 4 个档位是 Q4_K_M、Q3_K_M、Q8_0、AWQ INT4。 注意这是 MoE 模型 —— 尽管每个 token 只激活一部分参数,全部参数仍需驻留显存,因此显存开销按总参数量算,而不是激活参数量。
这个模型能跑在哪
按 Q4_K_M、4K 上下文估算,显存从小到大排列。「从容」指估算占用不超过显存的 88%。
此模型的显卡组合
- RTX 5090
- RTX 5080
- RTX 5070 Ti
- RTX 5060 Ti 16G
- RTX 4090
- RTX 4080 Super
- RTX 4070 Ti Super
- RTX 4060 Ti 16G
- RTX 3090
- A100 80G
- A100 40G
- L40S 48G
- A40 48G
- H100 80G
- DGX Spark 128G
- DGX Spark 64G
- Tesla P100 16G
- Tesla P40 24G
- Mac M5 Max 128G
- Mac M5 Pro 64G
- Mac M5 32G
- Mac M4 Max 128G
- Mac M4 Max 36G
- Mac M4 Pro 48G
- Mac M4 Pro 24G
- Mac M3 Max 128G
- Mac M3 Max 48G
- Mac M3 Pro 36G
- Mac M4 24G
- Mac M1 Max 64G
- Mac M2 Max 96G
- Radeon RX 9070 XT
- Radeon RX 9070
- Radeon RX 9060 XT 16G
- Radeon RX 7900 XTX
- Radeon RX 7900 XT
- Radeon RX 7900 GRE
- Radeon RX 7800 XT
- Radeon RX 7600 XT
- Radeon RX 6900 XT
- Radeon RX 6800 XT
- Radeon PRO W7900 48G
- Radeon AI PRO R9700 32G
- Instinct MI100 32G
- Arc A770 16G
- Arc Pro B70 32G
怎么把它跑起来
针对本模型及同类硬件的部署指南。
本页数字会随模型数据或运行时版本的变化而更新。最近更新 2026-11-22 RSS → /zh/feed.xml