Qwen3.5 4B
Qwen3.5 4BをQ4_K_M・8kコンテキストで動かすには、3.7GBのVRAMが必要です（2026年10月16日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは8GBで、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は最大460トークン/秒です。
- パラメータ
- 4.7B
- コンテキスト長
- 262,144トークン
- ライセンス
- Apache 2.0
- 公開
- 2026年2月
- config.jsonの確認日
- 2026年10月16日
どのメモリ容量のGPUで動くか
必要量3.7GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年10月16日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはRTX 3060（12GB）です。必要量は3.7GBで、生成速度は推定92トークン/秒です。これはこのサイトに個別ページがあるGPUの中で最小というだけで、モデル自体は8GBのGPUならどれにでも収まります。同じGPUでも32,768トークンのコンテキストまで余裕があるため（4.5GB）、このモデルのためにそれより上のGPUを買う理由はありません。
同じGPUでQ8_0も動き、必要量は6GBです。Q8はほぼ劣化がないので、追加の負担がないなら高い精度を選びましょう。Appleシリコンでは、Mac mini M4 Proなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定70トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを4.5GBで保持でき、生成速度は推定66トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | 動く | ≤ 860 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 524 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 460 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 460 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 345 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | 動く | ≤ 259 | 読むより速い | 24GB | 1,008GB/s |
| RTX 5080 | 動く | ≤ 247 | 読むより速い | 16GB | 960GB/s |
| RX 7900 XTX | 動く | ≤ 247 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 247 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | 動く | ≤ 240 | 読むより速い | 24GB | 936GB/s |
| RTX 5070 Ti | 動く | ≤ 230 | 読むより速い | 16GB | 896GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 230 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 222 | 読むより速い | 48GB | 864GB/s |
| RX 7900 XT | 動く | ≤ 205 | 読むより速い | 20GB | 800GB/s |
| RTX A6000 | 動く | ≤ 197 | 読むより速い | 48GB | 768GB/s |
| RTX 4080 SUPER | 動く | ≤ 189 | 読むより速い | 16GB | 736GB/s |
| RTX 5070 | 動く | ≤ 173 | 読むより速い | 12GB | 672GB/s |
| RTX PRO 4000 Blackwell | 動く | ≤ 173 | 読むより速い | 24GB | 672GB/s |
| RX 9070 XT | 動く | ≤ 164 | 読むより速い | 16GB | 640GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 164 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 156 | 読むより速い | 32GB | 608GB/s |
| RTX 4070 | 動く | ≤ 129 | 読むより速い | 12GB | 504GB/s |
| Arc B580 | 動く | ≤ 117 | 読むより速い | 12GB | 456GB/s |
| Arc Pro B60 | 動く | ≤ 117 | 読むより速い | 24GB | 456GB/s |
| RTX 5060 Ti | 動く | ≤ 115 | 読むより速い | 16GB | 448GB/s |
| RTX PRO 4000 Blackwell SFF | 動く | ≤ 111 | 読むより速い | 24GB | 432GB/s |
| RTX 3060 | 動く | 92 | 読むより速い | 12GB | 360GB/s |
| RX 9060 XT | 動く | 82 | 読むより速い | 16GB | 320GB/s |
| RTX Spark | 動く | 77 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| RTX 4060 Ti | 動く | 74 | 読むより速い | 16GB | 288GB/s |
| DGX Spark | 動く | 70 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 66 | 読むより速い | 128GB（GPU用96GB） | 256GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。Qwen3.5 4BがQ4で1トークンごとに読む重みはわずか2.7GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた26個の数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年10月16日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 5.9GB（8GBに収まる） | 6GB（8GBに収まる） | 6.8GB（8GBに収まる） |
| Q5_K_M | 4.2GB（8GBに収まる） | 4.3GB（8GBに収まる） | 5.1GB（8GBに収まる） |
| Q4_K_M | 3.5GB（8GBに収まる） | 3.7GB（8GBに収まる） | 4.5GB（8GBに収まる） |
重みはQ4で2.7GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.033GB増えます（これとは別に、大きくならない固定の再帰状態が0.05GBあります）。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
Qwen3.5 4Bは4.7Bパラメータのモデルです。全32レイヤーのうち、会話とともに大きくなるキャッシュを持つのはフルアテンションの8レイヤーだけです（KVヘッド4個、ヘッド次元256）。残りの24レイヤーはGated DeltaNetの線形アテンションで、持つのは小さな固定サイズの状態だけです。AlibabaのQwen3.5ファミリー（2026年2月）のうち、小さい側のモデルです。テキストに加えて画像と動画も読め、201言語に対応し、長いコンテキストでもメモリをほとんど使わないハイブリッド構成を採用しています。
テキスト、画像、動画 コンテキスト長262,144トークン Apache 2.0 2026年2月公開
パラメータ数にはビジョンエンコーダが含まれます。テキスト専用のGGUFはわずかに小さくなります。
ネイティブのコンテキスト長は262,144トークンです。ライセンスはApache 2.0で、寛容な（permissive）ライセンスです。重みの公開は2026年2月です。
得意なこと
- 小さなGPUでの長い文書。コンテキスト長は262,144トークンで、キャッシュはほとんど増えません。
- 多くの人がすでに持っているハードウェアで、スクリーンショット・写真・スキャンしたページの内容をローカルで説明させること
- このサイズでの多言語の作業全般
注意点
- それでも4Bのモデルです。コンテキストが長いので多くを読めますが、27Bのように推論できるわけではありません。
- ハイブリッド構成のレイヤーには、それを実装したランタイムが必要です。古いビルドではメモリの節約効果がなくなります。
似たモデル
Q4_K_M・8kコンテキストでQwen3.5 4Bとほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| Qwen3.5 4B | 4.7B | 3.7GB | 0.033GB | 256k | 2026年2月 |
| Llama 3.2 3B | 3.2B | 3.4GB | 0.115GB | 128k | 2024年9月 |
| Llama 3.1 8B | 8B | 6.4GB | 0.131GB | 128k | 2024年7月 |
| Qwen3 8B | 8.2B | 6.7GB | 0.147GB | 40k | 2025年4月 |
| Qwen3.5 9B | 9.7B | 6.7GB | 0.033GB | 256k | 2026年2月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- Qwen3.5 4Bは24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約3.7GBが必要で、24GBのGPUに余裕を持って収まります。
- Qwen3.5 4BをQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約6GB、32kコンテキストでは6.8GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- Qwen3.5 4Bのコンテキスト長は？
- ネイティブで262,144トークンです。すべてをQ4_K_Mで保持すると約12GBが必要で、そのうち8.6GBがコンテキストの分です。
- Qwen3.5 4Bが長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全32レイヤーのうち、会話とともに大きくなるキャッシュを持つのはフルアテンションの8レイヤーだけです（KVヘッド4個、ヘッド次元256）。残りの24レイヤーはGated DeltaNetの線形アテンションで、持つのは小さな固定サイズの状態だけです。32kトークンのコンテキストに必要なメモリは約1.1GBです。もし32レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約4.3GBかかります。
- Qwen3.5 4BはRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約259トークン/秒で、体感は「読むより速い」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging FaceのQwen/Qwen3.5-4Bにあるconfig.jsonから読み取り、2026年10月16日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。