QwQ-32B calculadora TPS

Abre pesos Alibaba 32.5B parámetros March 2025

Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..

Calculado para este modelo

132 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

RTX A4500

20 GB · Q3_K_M · 22.5 tok/s

Tarjeta más rápida

B200

104 tok/s · 180 GB

¿Qué GPU pueden ejecutar? QwQ-32B?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

132 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
104 tok/s 63–167 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	35.5 GB	Q8_0	Cómodo
104 tok/s 63–167 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	35.5 GB	Q8_0	Cómodo
83.3 tok/s 50–133 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	35.5 GB	Q8_0	Cómodo
83.3 tok/s 50–133 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	35.5 GB	Q8_0	Cómodo
66.6 tok/s 40–107 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	35.5 GB	Q8_0	Cómodo
63.7 tok/s 38–102 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.5 GB	Q8_0	Cómodo
63.7 tok/s 38–102 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.5 GB	Q8_0	Cómodo
61.0 tok/s 37–98 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	35.5 GB	Q8_0	Cómodo
54.1 tok/s 32–87 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	35.5 GB	Q8_0	Cómodo
54.1 tok/s 32–87 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	35.5 GB	Q8_0	Cómodo
54.1 tok/s 32–87 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	35.5 GB	Q8_0	Cómodo
51.3 tok/s 31–82 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	35.5 GB	Q8_0	Cómodo
43.8 tok/s 26–70 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.5 GB	Q8_0	Cómodo
43.8 tok/s 26–70 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	35.5 GB	Q8_0	Cómodo
43.8 tok/s 26–70 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	35.5 GB	Q8_0	Cómodo
43.8 tok/s 26–70 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.5 GB	Q8_0	Cómodo
43.8 tok/s 26–70 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	35.5 GB	Q8_0	Cómodo
40.3 tok/s 24–65 · baja confianza	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.4 GB	Q4_K_M	Ajustado
36.7 tok/s 22–59 · baja confianza	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.4 GB	Q4_K_M	Ajustado
35.4 tok/s 21–57 · baja confianza	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	Q6_K	Ajustado
35.4 tok/s 21–57 · baja confianza	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	Q6_K	Ajustado
33.9 tok/s 20–54 · baja confianza	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	Q6_K	Ajustado
33.9 tok/s 20–54 · baja confianza	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	Q6_K	Ajustado
33.3 tok/s 20–53 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	35.5 GB	Q8_0	Cómodo
33.3 tok/s 20–53 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	35.5 GB	Q8_0	Cómodo

Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..

En registro

especificación completa

Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..

Origen

Quién construyó este modelo, dónde, y cuándo fue publicado.

Organización: Alibaba
Tipo de Organización: Industry
País: China
Publicado: 6 March 2025
Autores: Qwen Team

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Language
Tarea: Language modeling/generation, Question answering, Quantitative reasoning, Code generation
Modelo base: Qwen2.5-Coder (32B)
Formato numérico: BF16

Tamaño

Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.

parámetros: 32.5B
Datos de entrenamiento: tokens

Cómputo de entrenamiento

La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.

Cómputo de entrenamiento: 3.5 × 10²⁴ FLOP

Disponibilidad

Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.

Pesos: Open — downloadable
Acceso al modelo: Open weights (unrestricted)
Código de entrenamiento: Unreleased
Hugging Face: Qwen

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Probablemente por encima de 10²³ FLOP: Yes
Por qué se rastrea: SOTA improvement
Confianza de registro: Speculative

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: QwQ-32B: Embracing the Power of Reinforcement Learning
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan QwQ-32B

Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..

Las GPUs más pequeñas que aún funcionan QwQ-32B

La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..

Qué significan los números

Lo que necesitas para ejecutar esto

Mínima tarjeta

RTX A4500

Memoria necesaria

16.6 GB

Más rápido

104 tok/s

QwQ-32B llega a un recuento de parámetros de 32.5B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 132.

El hardware mínimo que funciona es RTX A4500, con una capacidad de memoria de 20 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 22.5 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 104 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

QwQ-32B fue publicado por Alibaba, en el país registrado como China, durante March 2025. La organización editora está clasificada como industry.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Question answering, Quantitative reasoning, Code generation.

Se basa en Qwen2.5-Coder (32B). Por eso comparte la forma y el tamaño general del modelo base.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización Qwen.

Leyendo las cifras de rendimiento

El resultado mediano es alrededor de 20.3 tokens por segundo. Excediendo velocidad de lectura directamente: 102 de ellos.

Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.

Sin el diseño de atención en nuestro archivo, la columna de memoria es una aproximación. Es lo suficientemente cercana como para elegir hardware, y menos confiable en contexto largo.

Entrenamiento y procedencia

El entrenamiento consumió alrededor de 3.5 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

La razón por la que aparece en este catálogo en absoluto: sOTA improvement.

Paso a paso

Cómo elegir una GPU para QwQ-32B

La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..

01

Comienza desde la columna de memoria

Empieza desde lo que realmente necesita, que es el requerimiento de QwQ-32B, necesitando alrededor 16.6 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Ajusta el contexto a tu uso actual

Las conversaciones más largas consumen memoria además de lo que los pesos necesitan. Mueve el control deslizante a tu longitud de trabajo real antes de confiar en cualquier fila para QwQ-32B.
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q3_K_M en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
04

Ordenar por velocidad

Ordenar por velocidad para ver cómo se clasifican las tarjetas por QwQ-32B. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 104 tok/s
05

Lee la columna de ajuste al final

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de QwQ-32B. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
06

Mira qué más ejecuta esa tarjeta

Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de QwQ-32B.

Respuestas

QwQ-32B — preguntas comunes

QwQ-32B— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 132. Así que una segunda tarjeta rara vez es la respuesta aquí.

QwQ-32B— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

QwQ-32B— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 63–167 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

QwQ-32B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es RTX A4500, con una capacidad de memoria de 20 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 16.6 GB, y produce aproximadamente 22.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 132.

QwQ-32B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 104 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 102.

QwQ-32B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 16.6 GB a una compresión de Q3_K_M, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.

QwQ-32B— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?

Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q4_K_M, usando alrededor 20.4 GB y generando aproximadamente 40.3 tokens por segundo. El ajuste es ajustado.

QwQ-32B— ¿Es de código abierto?

Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.

QwQ-32B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 32.5B. Architecture: transformers with RoPE, SwiGLU, RMSNorm, and Attention QKV bias Number of Parameters: 32.5B Number of Paramaters (Non-Embedding): 31.0B Number of Layers: 64 Number of Attention Heads (GQA): 40 for Q and 8 for KV. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.

QwQ-32B— ¿Quién lo creó?

Fue publicado por Alibaba, basado en China, una organización categorizada como industry.

QwQ-32B— ¿cuándo fue lanzado?

Se publicó en March 2025.

QwQ-32B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering, Quantitative reasoning, Code generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

QwQ-32B— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización Qwen. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

QwQ-32B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 3.5 × 10²⁴ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.

QwQ-32B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. El fallo más cercano que calculamos se queda corto por 6.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Origen

Publicación original

Última actualización registrada 28 November 2025

La otra dirección

¿Mirándolo desde el otro lado?

Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.

Todos los modelos de IA