Qwen3.5 9B Instruct: какой квант выбрать
Все кванты Qwen3.5 9B Instruct (9 B), которые реально есть в данных (5: Q4_K_M, Q5_K_M, Q8_0, Q4_K_XL, 4bit), с точными размерами файлов от 19.10.2026 и расчётом «сколько VRAM под контекст».
Кванты: размер → VRAM под контекст → мин. карта
| Квант (файл) | Размер, ГБ | Итого @8K | Итого @16K | Итого @32K | Мин. карта | ~tok/s RTX 4060 8 GB | ~tok/s RTX 4090 24 GB | ~tok/s Apple M2 24 GB (unified) |
|---|---|---|---|---|---|---|---|---|
| Q4_K_M unsloth/Qwen3.5-9B-GGUF | 5.68 ГБ | 7.4 | 7.7 | 8.3 | от 12 ГБ | offload | ~89 | ~9 |
| Q5_K_M unsloth/Qwen3.5-9B-GGUF | 6.58 ГБ | 8.3 | 8.6 | 9.2 | от 12 ГБ | offload | ~77 | ~8 |
| Q8_0 unsloth/Qwen3.5-9B-GGUF | 9.53 ГБ | 11.3 | 11.6 | 12.1 | от 16 ГБ | offload | ~53 | ~5 |
| Q4_K_XL (UD-Dynamic) unsloth/Qwen3.5-9B-GGUF | 5.97 ГБ | 7.7 | 8 | 8.5 | от 12 ГБ | offload | ~84 | ~8 |
| 4bit mlx-community/Qwen3.5-9B-4bit | 5.95 ГБ | 7.7 | 8 | 8.5 | от 12 ГБ | offload | ~85 | ~8 |
«Итого» = веса + KV-кэш (fp16, 4 KV-голов) + 1.5 ГБ overhead; q8_0-KV-кэш режет KV вдвое.
tok/s — оценка: влезает → bandwidth ÷ размер × 0.5 (dense), не влезает → CPU-offload 1–5 tok/s. Оценка, не бенчмарк.
Лучший квант по tier памяти (влезает @16K)
| Память | Бюджет (90%) | Лучший (самый тяжёлый) квант | Итого @16K |
|---|---|---|---|
| 8 ГБ | 7.2 ГБ | не влезает даже лёгче — offload / больше памяти | — |
| 16 ГБ | 14.4 ГБ | Q8_0 (9.53 ГБ, Qwen3.5-9B-Q8_0.gguf) | 11.6 ГБ |
| 24 ГБ | 21.6 ГБ | Q8_0 (9.53 ГБ, Qwen3.5-9B-Q8_0.gguf) | 11.6 ГБ |
| 48 ГБ | 43.2 ГБ | Q8_0 (9.53 ГБ, Qwen3.5-9B-Q8_0.gguf) | 11.6 ГБ |
«Лучший» = самый тяжёлый (качественный) квант, влезший в tier с контекстом 16K. Q2/Q3-кванты — заметное падение качества (experimental) — не рекомендуем и в таблицу не включали.
Диапазон скорости по квантам (оценка, не бентчмарк)
- RTX 4060 8 GB: оффлоад (1–5 tok/s) (ни один квант не влезает — CPU-offload)
- RTX 4090 24 GB: 53–89 tok/s (среди квантов, влезших на это устройство)
- Apple M2 24 GB (unified): 5–9 tok/s (среди квантов, влезших на это устройство)
Оговорки и ссылки
- Размеры — фактические байты из Ollama-реестра / HF API от 19.10.2026; «влезает» — по бюджету 90% VRAM (unified — 70–85%). Оценки — модельные, не бентчмарки.
- Мин. карта — из каталога gpus.json (12 устройств); «24 ГБ+» — вне каталога/оффлоад.