Сервер для Qwen3 30B-A3B

Qwen3 30B-A3B — модель Qwen с архитектурой Mixture-of-Experts: в памяти держатся все 30 млрд параметров, а на каждый токен включаются примерно 3 млрд. Памяти нужно как под крупную модель, зато генерация быстрее, чем у плотной модели того же объёма, — поэтому главный параметр сервера для неё объём памяти, а не число GPU. На выделенном сервере с достаточным объёмом памяти такая модель работает внутри вашей инфраструктуры: запросы и данные компании её не покидают.

В типовой конфигурации — квантование fp8, контекст 8K токенов — нужно около 35,5 ГБ: веса 30 ГБ, KV-кэш 1 ГБ, служебный запас 4,5 ГБ. Это укладывается в один NVIDIA DGX Spark 128 ГБ: под модель там около 108 ГБ, занято примерно 33 %. Остаток уходит на длинный контекст и параллельные запросы пользователей; модель запускается через vLLM, llama.cpp или Ollama с OpenAI-совместимым API, а скорость на своей задаче можно проверить за сутки аренды, не покупая оборудование.