qwq:32b：RTX 3090 历史测速与使用边界

快速评判

qwq:32b 在 24GB RTX 3090 上以 36.5 tok/s 的速度运行——处于审慎范围。该模型优先考虑质量或参数数量而非原始速度。请首先在离线或后台任务中测试它，如果交互式响应时间很重要，请考虑使用更小的量化。

qwq:32b 在更高量化级别下接近 24GB 边界。如果您在 RTX 3090 上需要上下文余量，请考虑 Q4 或 Q5。在此 RTX 3090 上当前测量的模型中，其吞吐量排名第 12 位（共 18 位）。下一个更快的模型是 qwen2.5-coder:32b (37.6 tok/s，快 3%)。下一个更慢的模型是 qwen3.6:35b (24.3 tok/s，慢 50%)。

每日目标很简单：帮助 3090 拥有者决定今晚下载什么、跳过什么，以及何时云端备用是更好的时间利用方式。

今日精选

模型： qwq:32b
类别： 推理
尺寸级别： 大型
性能级别： 审慎
RTX 3090 速度： 36.5 tok/s
延迟： 3068 毫秒
测试时间： 2026-08-12T04:15:51Z
基准命令：

ollama run qwq:32b

谁应该尝试它

正在处理数学、逻辑、规划或多步推理任务的用户，其中 qwq:32b 的思维链增加了准确性。
希望获得本地替代方案以替代 o1 或 Claude 等云推理 API 的研究人员和高级用户。
任何好奇本地推理模型是否已在 24GB RTX 3090 上赶上云端对应产品的人。

谁应该跳过它

需要为实时应用程序提供快速、单轮响应的团队；推理模型以速度换取深度。
运行简单分类或提取任务，且无需扩展推理链的用户。
在未首先使用代表性数据验证输出质量的情况下部署到生产环境的任何人。

注意事项

过度思考风险：在简单提示下，模型可能会产生不必要的思维链，从而增加延迟。
温度调优：较低的温度（0–0.3）可提高事实准确性；较高的值可能会产生幻觉推理步骤。
批处理效率：对于吞吐量关键型任务，请将提示分组并离线处理，而不是请求实时响应。

已验证的基准锚点

gpt-oss:20b: 156.1 tok/s | latency 1524 ms | test 2026-04-29T05:39:58Z
qwen3-coder:30b: 144.9 tok/s | latency 1012 ms | test 2026-08-12T04:15:51Z
qwen3:8b: 123.5 tok/s | latency 1456 ms | test 2026-08-12T04:15:51Z
qwen2.5:14b: 84.0 tok/s | latency 946 ms | test 2026-04-29T05:39:58Z
ministral-3:14b: 81.2 tok/s | latency 1989 ms | test 2026-08-12T04:15:51Z

RTX 3090 决策指南

离线优先：优先将 qwq:32b 用于计划的批处理推理、研究或验证工作流。
上下文是瓶颈：将上下文减少到任务所需的最小可行长度。
购买硬件前先量化：Q4 或 Q5 可能会使其在 24GB 上可行，而 Q8 则不可行。
云端用于交互：如果需要实时响应，请将 qwq:32b 视为云端备用候选。

待验证的比较

qwq:32b 与基准测试源中下一个最快和下一个最慢的模型进行比较。
qwq:32b 与 gpt-oss:20b — 相同尺寸级别，37 vs 156 tok/s。
qwq:32b 的本地功耗成本与相同工作负载下 A100 租用成本的比较。

下一步行动

估算 VRAM 适配：/en/tools/vram-calculator/
模型页面：/en/models/qwq-32b-q4/
基准测试更新日志：/en/benchmarks/changelog/
本地硬件路径：/en/affiliate/hardware-upgrade/
云端备用：/go/runpod and /go/vast

联盟披露：此帖子可能包含联盟链接。LocalVRAM 可能会赚取佣金，而您无需支付额外费用。