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 28.9 tok/s 的速度运行 — 处于“深思熟虑”范围。该模型优先考虑质量或参数数量而非原始速度。请先在离线或后台任务中测试它，如果交互响应时间很重要，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。在目前已测量的 RTX 3090 模型中，它的吞吐量排名 18 个模型中的第 12 位。下一个更快的模型是 qwen2.5-coder:32b (33.1 tok/s，快 15%)。下一个更慢的模型是 qwen3.6:35b (18.7 tok/s，慢 54%)。

每日目标很简单：帮助 RTX 3090 用户决定今晚下载什么、跳过什么，以及何时云端回退是更好的时间利用方式。

今日精选

• 模型： qwq:32b
• 类别： 推理
• 规模层级： 大型
• 性能层级： 深思熟虑
• RTX 3090 速度： 28.9 tok/s
• 延迟： 3770 毫秒
• 测试时间： 2026-08-19T03:08:42Z
• 基准命令：

ollama run qwq:32b

谁应该尝试

• 从事数学、逻辑、规划或多步推理任务的用户，qwq:32b 的思维链能提高准确性。
• 希望获得本地替代方案的研究人员和高级用户，以替代 o1 或 Claude 等云端推理 API。
• 任何好奇本地推理模型是否已在 24GB RTX 3090 上赶上云端对应模型的人。

谁应该跳过

• 需要为实时应用提供快速、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。
• 在未首先通过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。

经验证的基准锚点

• gpt-oss:20b: 156.1 tok/s | 延迟 1524 毫秒 | 测试 2026-04-29T05:39:58Z
• qwen3-coder:30b: 151.0 tok/s | 延迟 1003 毫秒 | 测试 2026-08-19T03:08:42Z
• qwen3:8b: 128.3 tok/s | 延迟 1404 毫秒 | 测试 2026-08-19T03:08:42Z
• ministral-3:14b: 85.6 tok/s | 延迟 1963 毫秒 | 测试 2026-08-19T03:08:42Z
• qwen2.5:14b: 84.0 tok/s | 延迟 946 毫秒 | 测试 2026-04-29T05:39:58Z

RTX 3090 决策指南

1. 离线优先：将 qwq:32b 优先用于计划的批处理推理、研究或验证工作流。
2. 上下文是瓶颈：将上下文减少到任务所需的最小可行长度。
3. 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。
4. 交互式任务选择云端：如果需要实时响应，请将 qwq:32b 视为云端回退的备选方案。

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 — 相同规模层级，29 tok/s vs 156 tok/s。
• qwq:32b 本地功耗成本与相同工作负载下 A100 租用成本的比较。

后续行动

• 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/
• 云端回退：/go/runpod 和 /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，您无需支付额外费用。