Beste GPU für Qwen3.6-35B-A3B lokal
Echtzeit-Preise und Hardware-Empfehlungen aktualisiert für August 2026.
Qwen3.6-35B-A3B ist ein Mixture-of-Experts-Modell: Alle 35 Mrd. Parameter müssen im VRAM liegen, aber nur 3 Mrd. werden pro Token aktiviert — es generiert daher deutlich schneller als ein dichtes Modell gleicher Größe, benötigt aber ebenso viel Speicher.
Um Qwen3.6-35B-A3B lokal auszuführen, benötigen Sie rund 20.5 GB VRAM bei Q4_K_M-Quantisierung und einem Kontext von 32k Token. Die preislich attraktivste passende Karte ist die GeForce RTX 3090 (24 GB), die etwa 105 Token pro Sekunde erzeugen dürfte.
Kontextlänge anpassen
Zu gängigen Größen schieben oder manuell einen Wert eingeben.
Empfohlene Hardware
Die Gewichte des MoE-Modells erfordern für Q3-Quantisierungen mindestens 16GB VRAM.
Empfohlene Hardware
Läuft vollständig innerhalb von 24GB-Framebuffern. Hohe aktive Geschwindigkeit dank des MoE-Ausführungspfads.
Empfohlene Hardware
Erfordert Workstation-Karten mit 48GB+, um die vollständige Q8-Gewichtsmatrix bequem aufzunehmen.
Andere Modelle mit demselben VRAM-Bedarf
Da die Gewichte von Qwen3.6-35B-A3B auf eine 24-GB-Karte passen, laufen andere Modelle ähnlicher Größe auf derselben GPU. Die Generierungsgeschwindigkeit variiert — Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer — aber alle passen in denselben VRAM:
Setup-Optimierung für Qwen3.6-35B-A3B
Quantisierungs-Empfehlungen
Für tägliche Coding- und Reasoning-Aufgaben bietet Q4_K_M (4-Bit-Quantisierung) die beste Balance aus Qualität und Speichereffizienz – es reduziert den Speicherbedarf um über 70 % bei minimalem Qualitätsverlust im Vergleich zu FP16. Q8 und höhere Voreinstellungen bewahren mehr Details auf Kosten eines deutlich höheren VRAM-Bedarfs, was das Auslagern von Schichten erzwingen und den Durchsatz verringern kann.
Empfohlene lokale Software
Wir empfehlen Ollama als primären Runner für die lokale Inferenz aufgrund der automatischen GPU-Modellaufteilung und der Optimierung des Kontext-Caches. Für fortgeschrittenes Fine-Tuning oder Quantisierungsaufteilungen bietet das nativ kompilierte llama.cpp mit Flash Attention die beste granulare Kontrolle.
Qwen3.6-35B-A3B lokal ausführen — FAQ
Wie viel VRAM brauche ich, um Qwen3.6-35B-A3B auszuführen?
Bei einem Kontext von 32k und aktivierter KV-Cache-Quantisierung benötigt Qwen3.6-35B-A3B etwa 20.5 GB VRAM bei Q4_K_M — die Quantisierung, die für die meisten die richtige Wahl ist. Q3_K_M senkt den Bedarf auf rund 15.5 GB bei etwas geringerer Qualität, Q8_0 verlangt rund 40.6 GB für die beste Qualität, die dieses Modell liefern kann.
Auf welche Grafikkartengröße passt Qwen3.6-35B-A3B?
Qwen3.6-35B-A3B benötigt bei Q4_K_M etwa 20.5 GB. Eine 24-GB-Karte ist damit die kleinste gängige Größe, die das Modell vollständig im VRAM hält. Darunter müssen Layer in den Systemspeicher ausgelagert werden, was in der Regel den Großteil der Generierungsgeschwindigkeit kostet.
Welche Quantisierung sollte ich für Qwen3.6-35B-A3B verwenden?
Nehmen Sie Q4_K_M, sofern Sie kein VRAM übrig haben. Es benötigt etwa 20.5 GB und verliert gegenüber voller Präzision kaum Qualität. Q8_0 verlangt rund 40.6 GB für einen Qualitätsgewinn, den die wenigsten beim Programmieren oder Chatten bemerken. Investieren Sie übriges VRAM lieber in einen längeren Kontext.
Wie wirkt sich die Kontextlänge auf den VRAM-Bedarf von Qwen3.6-35B-A3B aus?
Die Modellgewichte sind fix, der KV-Cache wächst jedoch linear mit dem Kontext. Bei Qwen3.6-35B-A3B und einem Kontext von 32k belegt der Cache etwa 0.4 GB; eine Verdopplung auf 64k bringt ihn auf rund 0.8 GB. Ohne KV-Cache-Quantisierung verdoppeln sich diese Werte erneut.
Warum ist Qwen3.6-35B-A3B schneller, als seine Parameterzahl vermuten lässt?
Qwen3.6-35B-A3B ist ein Mixture-of-Experts-Modell. Seine 35 Mrd. Parameter müssen zwar vollständig im VRAM liegen, doch nur 3 Mrd. erzeugen jedes einzelne Token. Die Generierungsgeschwindigkeit hängt daran, diese 3 Mrd. aktiven Parameter zu lesen — das Modell verhält sich also eher wie ein 3-Mrd.- als ein 35-Mrd.-Modell, benötigt aber weiterhin Speicher für die vollen 35 Mrd.
Kann dieselbe GPU andere Modelle ausführen, die Qwen3.6-35B-A3B ähneln?
Ja. Qwen3.6-35B-A3B benötigt etwa 20.5 GB bei Q4_K_M, und jedes Modell, dessen Gewichte auf dieselbe Karte passen, läuft darauf — einschließlich Qwen3.5-35B-A3B (36B), Yi 1.5 34B (34B), Qwen3-32B (32.8B), Qwen2.5-32B (32.5B), Qwen2.5-Coder-32B (32.5B), QwQ-32B (32.5B). Die Gewichte passen in dieselbe GPU; die Generierungsgeschwindigkeit variiert (Mixture-of-Experts-Modelle sind schneller, dichte Modelle langsamer).
▸Wie Token-Geschwindigkeiten geschätzt werden
Wie wir den GPU-Wertungs-Score berechnen und Marktdaten normalisieren.
Lesen (Prefill)
Der Prompt wird in einem einzigen parallelen Durchgang verarbeitet. Dies ist rechenleistungsbegrenzt (compute-bound): Es lastet die Tensor-Kerne der GPU aus.
Decode (Generierung)
Jedes neue Token erfordert das Laden aller aktiven Modellgewichte aus dem VRAM. Dies ist speicherbandbreitenbegrenzt (memory-bandwidth-bound): Die GPU wartet auf Daten, anstatt zu rechnen.
Gewichte = (activeParams × Bits ÷ 8) × 1,15 Overhead. KV-Cache pro Schritt = activeParams × Multiplikator × contextK.
Architektur-Nutzungsfaktoren
Links: Decode-Faktor — Rechts: Read-Faktor
Datenquellen
TFLOPS und Speicherbandbreite werden aus der GPU-Datenbank ausgelesen. Falls nicht vorhanden, fällt die Bandbreite auf ein hartcodiertes Wörterbuch zurück.
Einschränkungen
Dies sind analytische Schätzungen, keine tatsächlichen Benchmark-Ergebnisse. Verwende sie als relativen Vergleich, nicht als absolute Leistungsgarantie.