Главная/Запуск ИИ/Каталог моделей/Qwen3-32B

МОДЕЛЬ / ALIBABA

Qwen3-32B

Рабочая лошадь отдела: разбор документов и поддержка при одной карте с большой памятью. Лицензия разобрана и не содержит порогов.

зарубежная веса открыты

Коротко

Модель на 32,8 млрд параметров. При режиме «INT8, контекст 8192 токена, восемь одновременных запросов» нужно 56,5 ГБ памяти — это 1× Huawei Ascend 910C. Доступ к весам: веса скачиваются свободно. Лицензия: Apache 2.0. Проверить сценарий до закупки можно на арендованной карте.

Характеристики

Сняты роботом из карточки модели и файла конфигурации, которые публикует сам автор. Ревизия 9216db5781bf. Проверено 02.09.2026.

РазработчикAlibaba

Параметры32,8 млрд

Слоёв64

Голов внимания64

KV-голов8

ВниманиеGQA — общие ключи на группу голов

Контекст40 960 токенов

Память на токен контекста 0,262 МБ

Разрядность весовBF16

Доступ к весамвеса скачиваются свободно

Первоисточник карточка модели

Сколько нужно памяти

Считается по снятой архитектуре модели: веса плюс KV-кэш под контекст, с надбавкой на накладные расходы рантайма. Меняются только длина контекста и число одновременных запросов — и требование к железу уезжает в разы. Именно поэтому «столько-то гигабайт под модель» без указания нагрузки ничего не значит.

Сценарий	Контекст	Одновременно	FP16 / BF16	FP8 / INT8	INT4
Один пользователь, короткий запрос	4 096	1	79,7 ГБ 1× NVIDIA H100	40,4 ГБ 1× NVIDIA L40S	20,7 ГБ 1× NVIDIA L4
Небольшая группа	8 192	4	87,2 ГБ 1× RTX PRO 6000	47,9 ГБ 1× NVIDIA L40S	28,2 ГБ 1× NVIDIA RTX 5090
Отдел, длинные документы	32 768	8	147,3 ГБ 1× NVIDIA B200	108 ГБ 1× NVIDIA H200	88,4 ГБ 1× RTX PRO 6000
Много пользователей, длинный контекст	32 768	32	353,5 ГБ 2× NVIDIA B200	314,2 ГБ 2× NVIDIA B200	294,5 ГБ 2× NVIDIA B200

KV-кэш считается в 16 битах даже там, где веса ужаты сильнее: кэш почти никогда не квантуется вместе с весами. Подбор карт — оценка сверху по памяти из нашего справочника ускорителей; скорость ответа, питание и охлаждение считаются отдельно. Подбор идёт по объёму памяти и не учитывает программный стек: Ascend и AMD требуют другого инференс-сервера, чем NVIDIA, и это отдельный разговор при проектировании.

Во что обходится миллион токенов

Два счёта рядом: платить за токены чужому поставщику или держать модель на арендованной карте. Обе цифры наши — цену токена мы снимаем с прайсов, ставку аренды с площадок, — и обе с датой. Порог ниже это условие, а не совет: он говорит, при каком объёме счета сравниваются, а не что вам выбрать.

ЧУЖОЙ API

31 ₽

за миллион токенов генерации — самое дешёвое из 4 предложений, у RouterAI. Проверено 02.09.2026. Та же модель у Cloud.ru Foundation Models — 148 ₽, дороже в 4,7 раза.

СВОЯ КАРТА В АРЕНДУ

18 189 ₽/мес

2× NVIDIA L40S — самая дешёвая конфигурация из тех, где модель помещается и где ставку мы наблюдаем. Ставка FirstVDS, пересчёт из суточной ставки при непрерывной загрузке, проверено 02.09.2026.

ПОРОГ

579 млн токенов/мес

Столько модель обязана выдать на арендованной карте, чтобы счёт сравнялся с самым дешёвым тарифом. Меньше — дешевле платить за токены; больше — начинает окупаться карта. Карта берёт деньги за всё время, API — только за работу, поэтому весь вопрос в загрузке, а не в ставке.

Карты в конфигурации складываются по памяти: собрать из них один работающий узел и получить на нём нужную скорость — отдельная инженерная задача, и её цена сюда не входит. Расчёт идёт по средней нагрузке из таблицы выше: INT8, контекст 8192 токена, восемь одновременных запросов. Свои условия — в расчёте под нагрузку. Вся картина по токенам — на странице цены миллиона.

Что разрешает лицензия

Apache 2.0 Да свободная

license: apache-2.0

Актуальное поколение Qwen выложено под Apache 2.0 — самой свободной из встречающихся здесь лицензий: коммерческое использование без порогов, без обязательной атрибуции в продукте и без переносимых ограничений.

Первоисточник: файл лицензии, прочитан 15.08.2026. Полный разбор всех лицензий — на отдельной странице.

9-я по размеру из 12 моделей класса «языковая модель»

Размер решает, на чём модель поедет: 32,8 млрд параметров — это легче 3 моделей класса и тяжелее 8 моделей. Ряд ниже — модели того же класса по числу параметров; расчёт памяти у каждой свой.

1 T-lite-it-1.0 7,6 млрд

2 YandexGPT 5 Lite 8B Pretrain 8 млрд

3 Qwen3-8B 8,2 млрд

4 Vikhr-Nemo-12B-Instruct-R 12,2 млрд

5 GigaChat-20B-A3B-instruct 20,6 млрд

6 Mistral Small 3.1 24B Instruct 24 млрд

7 Gemma 3 27B Instruct 27,4 млрд

8 T-pro-it-1.0 32,8 млрд

9 Qwen3-32B — эта страница 32,8 млрд

10 Llama 3.3 70B Instruct 70,6 млрд

11 Qwen2.5-72B-Instruct 72,7 млрд

12 DeepSeek-V3 684,5 млрд

Что дальше

Аренда мощностей в РФ Проверить модель на арендованной карте прежде, чем закупать железо Все модели каталога Сравнить размеры, лицензии и требования к памяти в одной таблице Задачи Под какие сценарии эта модель нужна и что ещё для них требуется Закрытый ИИ-контур Что кроме модели нужно, чтобы это заработало на предприятии Расчёт под свою нагрузку Задать свой контекст, батч и разрядность

Сколько памяти нужно этой модели

Расчёт под ваш контекст и число одновременных запросов: сколько видеопамяти займут веса и кэш и на скольких картах это поместится.

Размер модели (млрд параметров)

Режим

Разрядность

Длина контекста (токенов)

Batch (парал. запросов)

Контекст и batch учитываются в KV-кэше для инференса; кэш считается для архитектуры GQA — так устроены все актуальные открытые модели. Оценка ориентировочная (rule-of-thumb), не профилировщик.

Требуемая VRAM ≈ 169 ГБ

Память под веса140 ГБ

KV-кэш (инференс)1,3 ГБ

Достаточно одной карты

Сколько карт нужно

NVIDIA H100 80 ГБ 3×

NVIDIA H200 141 ГБ 2×

NVIDIA B200 192 ГБ 1×

NVIDIA B300 288 ГБ 1×

NVIDIA A100 80 ГБ 3×

NVIDIA L40S 48 ГБ 4×

RTX PRO 6000 96 ГБ 2×

RTX 6000 Ada 48 ГБ 4×

AMD Instinct MI300X 192 ГБ 1×

Huawei Ascend 910C 64 ГБ 3×

NVIDIA A16 16 ГБ 11×

NVIDIA L4 24 ГБ 8×

NVIDIA RTX 5090 32 ГБ 6×

NVIDIA RTX 4090 24 ГБ 8×

NVIDIA RTX 3090 24 ГБ 8×

NVIDIA RTX A4000 16 ГБ 11×

Где арендовать под этот объём

Эти карты в каталоге ускорителей →

Инференс: веса ×1,2 (overhead рантайма) + оценка KV-кэша по контексту и батчу. Архитектура модели здесь неизвестна — вы задаёте только размер, — поэтому она угадывается по числу параметров и предполагается GQA: так устроены Llama 3, Qwen 2.5, Mistral и другие актуальные открытые модели. Сверка по 11 моделям нашего каталога 26.08.2026: у моделей на полном внимании MHA кэш выходит примерно в 10 раз больше оценки, у DeepSeek-V3 со сжатым вниманием MLA — в 21 раз меньше. Если модель известна, точное число есть на её странице в каталоге.

Что дальше

Важно. Расчёт ориентировочный (rule-of-thumb) и не является офертой. Реальная потребность в VRAM зависит от архитектуры модели, движка инференса, длины контекста, метода дообучения (полное / LoRA / QLoRA) и параллелизма. Данные карт (память, TDP) — ориентир, требуют выверки по datasheet. Точный подбор под вашу модель эксперт подтверждает по запросу.

Что об этой модели писали

25 августа 20264-битная модель обошла полноразмерную: что это меняет в смете на железоПереводим «4 бита вместо 16» в гигабайты и в карты по снятой архитектуре моделей каталога, а не по числу параметров. Видно и то, что квантование экономит, и то, чего оно не трогает, — память под контекст.

Следующий шаг

Локальная нейросетьСколько открытых моделей поднимет одна карта и во что она обходится.Аренда GPU в РоссииПлощадки, ставки и рейтинг с открытой методологией.Закрытый ИИ-контурКогда данные нельзя выпускать наружу и модель живёт в периметре.