qwq:32B: Local Inference Performance Report (2026)

快速结论

本页面面向需要具体本地与云端决策而非通用模型公告的读者，目标是“qwq:32b 本地推理基准测试”。有用的答案是 qwq:32B 是否值得在 24GB RTX 3090 上测试，需要关注哪些失败边界，以及如果模型未达目标该怎么做。

首次尝试时，将 RTX 3090 视为实际基准。如果模型在所需的上下文长度下稳定运行并有足够的 VRAM 余量，则保持本地运行。如果吞吐量或 p95 延迟未达到工作负载目标，则将本地作为验证基准，并在高峰任务时突发至云端。

证据快照

• Ollama 新鲜度：未知
• 本地库存：未知
• RTX 3090 基准测试：待定
• 基准测试测量时间：待定
• 流量优先级：标准
• 相关页面：/en/models/

已测锚点数据

• gpt-oss:20b：156.1 tok/s（延迟 1524 毫秒，测试时间 2026-04-29T05:39:58Z）
• qwen3:8b：135.7 tok/s（延迟 1300 毫秒，测试时间 2026-06-03T07:12:46Z）
• ministral-3:14b：85.3 tok/s（延迟 1941 毫秒，测试时间 2026-06-03T07:12:46Z）

Ollama 设置路径

首先要验证的模型标签是 qwq:32b。

ollama run qwq:32b

首次运行后，在更换硬件之前，请记录三个事实：每秒 tokens 数、首次响应延迟，以及模型在预期上下文长度下是否保持在 VRAM 内。快速的短提示是不够的；请使用真实工作负载中的代表性提示。

RTX 3090 决策矩阵

在 24GB RTX 3090 上的结果	建议
符合 VRAM 余量并达到延迟目标	优先本地运行；仅在突发需求时使用云端。
符合但延迟过高	保留本地用于测试，将繁重任务批量/卸载到云端。
OOM（内存不足）、重试峰值或上下文不稳定	降低量化级别、减少上下文或迁移到更大的 VRAM。
仅限云端的模型大小	将此页面发布为云端备用指南，而非本地承诺。

如何解读结果

关键证据是吞吐量、延迟，以及结果是已测量还是仍处于估算阶段。只有当模型符合 VRAM 余量、在预期上下文长度下保持稳定并达到工作负载的延迟目标时，它才是一个好的本地候选模型。如果其中任何一项失败，正确的做法通常是减少上下文、降低量化级别，或使用云容量来处理繁重路径。

谁应该尝试

• RTX 3090 用户，决定今晚是否下载此模型。
• 开发者，将新的 Ollama 模型与他们当前的编码或 RAG 基准进行比较。
• 操作员，希望在花费 RunPod 或 Vast 积分之前进行本地验证运行。

谁应该跳过

• 8GB 和 12GB GPU 用户，除非存在更小的量化变体。
• 在持续基准测试得到验证之前，需要生产 p95 延迟的团队。
• 任何在未首先检查 VRAM 余量的情况下运行长上下文或并发工作负载的人。

新模型发布时机

在 Ollama 模型出现或流行后的最初 24-48 小时内，流量窗口最强劲。如果基准测试数据仍在待定中，请将此视为一个估算的设置页面，并在 RTX 3090 运行器验证吞吐量和延迟后返回查看。

下一步行动

• 估算 VRAM 适配：/en/tools/vram-calculator/
• 相关页面：/en/models/
• 本地硬件路径：/en/affiliate/hardware-upgrade/
• 云端备用：/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，而您无需支付额外费用。