LLM Apache-2.0

QwQ 32B

32B параметров · Transformer · Контекст 131k · Alibaba · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 64 ГБ Максимальное Для продакшена
FP8 32 ГБ Отличное Оптимально
INT8 32 ГБ Хорошее
INT4/Q4 16 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model QwQ-32B \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Alibaba
Год выпуска
2025
Параметры
32B
Архитектура
Transformer
Контекстное окно
131,072 токенов
Лицензия
Apache-2.0

Применение

Reasoning Math Code generation Chain-of-thought

QwQ 32B — reasoning-ориентированная модель Qwen: обучена с RL и заточена на «долгое мышление», математику и многошаговую логику при скромном размере 32B. Удобна, когда нужен стиль R1-class без прыжка к 70B+, и при этом важна Apache-2.0.

Контекст до 131k токенов; на одной H100 80 ГБ в fp8 обычно достаточно для комфортного сервиса.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для QwQ 32B в fp8 рекомендуем H100, H200 или A100 80 ГБ; на RTX 4090 возможны квантованные веса. Перейдите в каталог GPU и арендуйте инстанс с Docker-образом.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Qwen/QwQ-32B \
  --dtype auto \
  --max-model-len 65536

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen/QwQ-32B",
    "messages": [{"role": "user", "content": "Верно ли, что если n нечётно, то n² − 1 делится на 8? Докажи или опровергни."}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run qwq

Оптимизация

  • Reasoning-модели раздувают ответ: ограничивайте max_tokens и следите за стоимостью на токен.
  • Длинный контекст (до 131k) включайте постепенно — KV-cache растёт линейно.
  • Для матзадач иногда выгоднее temperature 0.6–0.8, для кода — ниже; подбирайте под метрику.