Qwen3 本地部署：24GB 显存跑 30B-A3B，4bit 量化实测给答案

Qwen3 本地部署24GB 显存跑 30B-A3B4bit 量化实测给答案【免费下载链接】Qwen3-30B-A3BQwen3-30B-A3B具有以下特点 类型因果语言模型 训练阶段预训练和后训练 参数数量总计 305 亿其中已激活 33 亿 参数数量非嵌入29.9B 层数48 注意力头数量GQAQ 为 32 个KV 为 4 个 专家人数128 已激活专家数量8 上下文长度原生长度为 32,768使用 YaRN 后长度为 131,072 个标记项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3-30B-A3BRTX 4090 AWQ 4bitQwen3-30B-A3B 单请求实测 7.8 tokens/s3090 同配置 4.2。Qwen3 本地部署的门槛比想象低稀疏激活下只有 33 亿参数真正参与计算瓶颈在显存而不是算力。本文适用于手里有单张 16-24GB 卡、想把推理跑起来的开发者如果你要做分布式微调或生产级高并发可以直接跳过。以下全部来自消费级 GPU 跑 30B 混合专家模型的完整过程可复现。硬件门槛速查精度显存下限推荐卡实测 tokens/s适用场景BF1661GB4090×24090×2: 2.1全精度调试INT831GB40904090: 4.5单卡过渡AWQ 4bit18GB40904090: 7.8消费级主力AWQ 4bit18GB30903090: 4.2预算有限GGUF q4_016GB30903090: 5.6显存紧张门槛成立的逻辑很简单30.5B 总参数 × 2 字节 ≈ 61GBBF16 必须双卡起步4bit 后权重约 17GB加上 8K 上下文的 KV 缓存24GB 刚好放下。而 MoE 每 token 只激活 8/128 个专家约 3.3B 参数单卡算得动所以能不能跑只取决于显存。三条路线横向对比路线精度损失推理速度工具链上手成本适合谁AWQ 4bit小最快最成熟最低单卡 24GBGPTQ 4bit略高于 AWQ快成熟低vLLM 生态GGUF q4_0中中很成熟中CPU/GPU 混合我的推荐AWQ 4bit。理由不复杂vLLM 的 AWQ 内核支持完善显存是三条路线里最低的而我日常问答和代码任务里几乎感觉不到精度差异。GPTQ 我也试过速度接近但量化本身更慢GGUF 留给 16GB 卡或想 CPU 兜底的场景。落地步骤最小可跑通路径一条路线走到底AWQ 4bit vLLM四步跑通。拉取模型权重git clone https://gitcode.com/hf_mirrors/Qwen/Qwen3-30B-A3B cd Qwen3-30B-A3B ls model-*.safetensors | wc -l先确认 16 个分片齐全。如果某个文件只有几 KBLFS 指针文本执行git lfs pull重新拉取。权重量化到 4bit把 61GB 的 BF16 权重压到约 17GB这是 24GB 卡能装下的前提。pip install llm-awq python -m awq.entry --model_path . --w_bit 4 \ --q_group_size 128 --quant_path ./qwen3-30b-awq \ --version awq量化约 2-3 小时。如果报CUDA out of memory检查量化进程是否和别的服务抢卡必要时先 kill 掉再跑。启动 vLLM 推理服务起一个 OpenAI 兼容的 APImax_model_len 先压到 8192 省 KV 缓存显存。pip install vllm0.8.5 vllm serve ./qwen3-30b-awq --quantization awq \ --gpu-memory-utilization 0.9 --max-model-len 8192 --port 8000如果报Engine core initialization failed检查日志里显存不够的原因多半是漏传--quantization awq把权重按 BF16 加载了。验证 API 与采样参数确认响应正常采样值按官方思考模式推荐Temperature0.6、TopP0.95。curl -s http://localhost:8000/v1/chat/completions \ -H Content-Type: application/json \ -d {model:local,messages:[{role:user,content:你好}],temperature:0.6,top_p:0.95}如果返回 404检查端口和服务进程是否正常如果输出开始循环复读别用贪心解码回到推荐采样参数。实测数据 调参经验以下都是 Qwen3 本地部署在 RTX 4090 / AWQ 4bit 上的实际取值。参数默认值我改成的值变化效果max_model_len409608192KV 显存 -80%4090gpu_memory_utilization0.900.858K 并发不 OOMmax_num_batched_tokens20484096吞吐 30%4090/INT4enable_thinkingTrueFalse首 token 0.8s→0.3s4090坑忘传--quantization awqvLLM 按 BF16 直接 OOM → 解法量化加载必须显式声明默认永远走全精度。坑思考模式首 token 要等一整段思考输出 → 解法低延迟场景设enable_thinkingfalse首 token 0.8s→0.3sRTX 4090/INT4。坑我一开始没改 max_model_len40K 上限的 KV 缓存吃掉大半显存排查了十分钟才发现 → 解法不需要长上下文就别开 YaRN默认配置本身就偏保守。坑思考模式 贪心解码输出无限复读 → 解法Temperature0.6、TopP0.95、TopK20这是官方 best practice。⚠️ 什么时候别用这条路并发 8 就別硬上单卡 4090排队等待时间会超过直接调云 API。需要 131K 上下文且 P99 延迟 2s直接多卡或上云单卡 KV 缓存放不下也跑不快。要 BF16 级精度蒸馏、严格评测对比别用 4bit 权重先上双卡。延伸 参考README.md官方 quickstart、思考/非思考模式切换、YaRN 长上下文配置和采样 best practice 都在这里config.json架构参数128 专家 / 激活 8 个、48 层、GQA 32:4核对下载完整性用generation_config.json思考模式官方推荐采样值的出处本文 0.6/0.95 即取自这里model.safetensors.index.json16 个权重分片的索引表缺片时对着它查【免费下载链接】Qwen3-30B-A3BQwen3-30B-A3B具有以下特点 类型因果语言模型 训练阶段预训练和后训练 参数数量总计 305 亿其中已激活 33 亿 参数数量非嵌入29.9B 层数48 注意力头数量GQAQ 为 32 个KV 为 4 个 专家人数128 已激活专家数量8 上下文长度原生长度为 32,768使用 YaRN 后长度为 131,072 个标记项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3-30B-A3B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考