速览

速览

qwq:32b 在 24GB RTX 3090 上以 26.1 tok/s 的速度运行——属于审慎型范围。该模型优先考虑质量或参数数量而非原始速度。建议首先在离线或后台任务中测试，如果交互响应时间很重要，请考虑使用更小的量化版本。

qwq:32b 在更高量化级别下接近 24GB 内存边界。如果您在 RTX 3090 上需要上下文空间，请考虑 Q4 或 Q5。在当前测量的模型中，它在 RTX 3090 上的吞吐量排名 18 个模型中的第 8 位。下一个更快的模型是 qwen3:8b（33.8 tok/s，快 29%）。下一个更慢的模型是 ministral-3:14b（15.4 tok/s，慢 70%）。

每日目标很简单：帮助 3090 显卡用户决定今晚下载什么、跳过什么，以及何时使用云端备用方案是更好的选择。

今日精选

• 模型： qwq:32b
• 类别： 推理
• 规模等级： 大型
• 性能等级： 审慎型
• RTX 3090 速度： 26.1 tok/s
• 延迟： 4090 ms
• 测试时间： 2026-09-09T07:21:06Z
• 基准命令：

ollama run qwq:32b

适用人群

• 从事数学、逻辑、规划或多步推理任务的用户，其中 qwq:32b 的思维链（chain-of-thought）能提高准确性。
• 希望获得云端推理 API（如 o1 或 Claude）的本地替代方案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 上赶上云端对应模型的人。

不适用人群

• 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的用户，这些任务无法从扩展的推理链中受益。
• 任何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 | 延迟 1524 ms | 测试 2026-04-29T05:39:58Z
• qwen3-coder:30b: 84.4 tok/s | 延迟 7842 ms | 测试 2026-09-09T07:21:06Z
• qwen2.5:14b: 84.0 tok/s | 延迟 946 ms | 测试 2026-04-29T05:39:58Z
• nemotron-3-nano:30b: 57.0 tok/s | 延迟 2468 ms | 测试 2026-04-01T11:53:50Z
• deepseek-r1:14b: 52.9 tok/s | 延迟 2724 ms | 测试 2026-09-09T07:21:06Z

RTX 3090 决策指南

1. 优先离线处理：优先将 qwq:32b 用于计划的批量推理、研究或验证工作流。
2. 上下文是瓶颈：将上下文长度缩减到任务所需的最小可行长度。
3. 在购买硬件前进行量化：Q4 或 Q5 量化版本可能使其在 24GB 显存上可行，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 视为云端备用方案的候选模型。

待验证的比较

• qwq:32b 与基准测试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 — 相同规模等级，26 tok/s 对比 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。

后续操作

• 估算 VRAM 适配性：/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/
• 云端备用方案：/go/runpod 和 /go/vast

联盟披露：此文章可能包含联盟链接。LocalVRAM 可能会赚取佣金，您无需支付额外费用。