我能跑 Qwen3-VL 30B-A3B 吗？
Alibaba 的 Qwen3-VL 30B-A3B 在推荐的 4 位量化下大约需要 32 GB 内存（下载体积 18.2 GB）。下方即时检测您的硬件 — 数据不会离开您的浏览器。 在 Apple M-series Max 上预计可达约 ~192 tok/s。
正在读取您的硬件信号…
实际使用笔记
Qwen3-VL 30B-A3B 是阿里巴巴的混合专家(MoE)视觉模型,名字本身就道出了它的关键:总参数 30B,但每个 token 只激活 3B。这意味着它能以小模型的速度运行,却仍需为整个模型预留显存。在 4-bit 量化下体积约为 18.2 GB,要想顺畅加载,建议至少准备 32 GB 内存。它装不进 RTX 3060 这种 12 GB 显存的显卡,但拥有充足统一内存的 Apple Silicon 机器或 24 GB 显存的 GPU 才是它真正的归宿。它面向那些希望在本地同时获得图像理解、对话与推理能力的用户。
日常使用中,3B 激活的设计优势明显:在 RTX 4090 上可达约 471 tokens/秒,即便是 Apple M Max 也能保持约 192 tok/s 的流畅速度,快到让视觉问答几乎瞬时完成。在搭配 DDR5 的 CPU 上则降至约 28 tok/s,够用但不再利落。256K 的上下文窗口只是宣传上限,而非免费午餐。把它填满代价高昂:在 128K 上下文下,模型加上缓存总量会攀升到约 48.6 GB,所以请按你实际用到的上下文来规划内存,而不是照着规格表上的最大值。
与这里最接近的相关模型 Gemma 4 31B 相比,两者体积处于相近区间,但 Gemma 4 是激活全部参数的稠密 30.7B 模型,因此 Qwen3-VL 在相同体积下通常感觉更快,而 Gemma 在纯推理和编码上往往更稳。Qwen3-VL 最突出的特点,是把视觉能力打包进一个在消费级硬件上如此迅捷的模型里——这在本地部署中仍不多见。它采用 Apache 2.0 许可证,因此你可以将其用于商业和生产环境,不受特定厂商的限制。用 qwen3-vl:30b 这个 Ollama 标签拉取下来即可开跑。
规格参数
各量化版本体积
| 量化 | 位/权重 | 下载体积 | 最低内存 | 质量 |
|---|---|---|---|---|
| Q2_K | 3.35 | 12.6 GB | 24 GB | 损失明显 |
| Q4_K_M推荐 | 4.85 | 18.2 GB | 32 GB | 推荐 |
| Q5_K_M | 5.65 | 21.2 GB | 32 GB | 高 |
| Q8_0 | 8.5 | 31.9 GB | 48 GB | 接近原版 |
| F16 | 16 | 60.0 GB | 96 GB | 原版 |
体积按参数量 × 位/权重估算，实际 GGUF 版本会略有差异。 · 数据更新于: 2026-06-11 · 这些数字是怎么算出来的 →
不同上下文长度的内存需求
| 上下文 | KV 缓存（估算） | 总内存（Q4） |
|---|---|---|
| 4K tokens | ~1.0 GB | ~19.2 GB |
| 8K tokens | ~1.9 GB | ~20.1 GB |
| 32K tokens | ~7.6 GB | ~25.8 GB |
| 128K tokens | ~30.4 GB | ~48.6 GB |
KV 缓存会随上下文长度增长 — 4K 下装得下的模型，到 32K 可能就内存不足了。估算基于 FP16 缓存并采用 grouped-query attention；实际占用因运行时而异。
不同硬件的预估速度
| 硬件 | 带宽 | 约·速度 |
|---|---|---|
| NVIDIA RTX 3060 12GB | 360 GB/s | VRAM 装不下 |
| NVIDIA RTX 4090 24GB | 1008 GB/s | ~471 tok/s |
| Apple M-series (base) | 100 GB/s | ~47 tok/s |
| Apple M-series Pro | 270 GB/s | ~126 tok/s |
| Apple M-series Max | 410 GB/s | ~192 tok/s |
| CPU only (dual-channel DDR5) | 60 GB/s | ~28 tok/s |
Token 生成速度受内存带宽限制：tok/s ≈ 带宽 × 0.85 ÷ Q4 下的模型体积。实际数值因运行时和上下文长度而异。
在本地运行
最简单的方式是 Ollama — 一条命令即可开聊：
ollama run qwen3-vl:30b