Qwen3-Embedding and Qwen3-Reranker GPU-Anforderungen: VRAM und günstigste GPU
Qwen3-Embedding and Qwen3-Reranker hat 7,6 Mrd. Parameter, veröffentlicht in BF16. Es steht unter apache-2.0, die kommerzielle Nutzung erlaubt.
- Parameter
- 7,6 Mrd.
- Kleinster Bedarf (INT4)
- etwa 5,4 GB
- Günstigste GPU pro Stunde (FP16)
- 0,25 $
- Typ
- Embeddings
Qwen/Qwen3-Embedding-8B
Auf Hugging Face ansehen (öffnet in neuem Tab)Unseren Test lesen
- Parameter 7,6 Mrd.
- Typ Embeddings
- Aufgabe feature-extraction
- Max. Kontext 40K
- Lizenz apache-2.0
- Downloads 2,3 Mio.
- Likes 858
Berechnung für Qwen3-Embedding and Qwen3-Reranker
Weitere Einstellungen
Qwen3-Embedding and Qwen3-Reranker braucht etwa 18 GB GPU-Speicher
Inferenz (vLLM), FP16 / BF16, 8K Tokens Kontext, eine Anfrage gleichzeitig.
Wofür der Speicher draufgeht
- Gewichte 15 GB
- Laufzeit-Overhead 2,5 GB
- Gesamt 18 GB
Die GPU-Zahl lässt 10 % jeder Karte für Spitzen frei. Plane mehr ein, wenn du lange Prompts oder viele gleichzeitige Nutzer erwartest.
| Rang | Konfiguration | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) | Anbieter |
|---|---|---|---|---|---|---|
| 1 | 1 × RTX 3090 24GBAm günstigstenAmpere · GDDR6X | 0,25 $ | 1 | 0,25 $ | 183 $ | Vast.ai (öffnet in neuem Tab)1x RTX 3090 (median of 29 offers) |
| 2 | 2 × V100 16GBVolta · HBM2 | 0,15 $ | 2 | 0,30 $ | 220 $ | Vast.ai (öffnet in neuem Tab)2x Tesla V100 (median of 4 offers) |
| 3 | 1 × RTX 4090 24GBAda Lovelace · GDDR6X | 0,48 $ | 1 | 0,48 $ | 354 $ | Vast.ai (öffnet in neuem Tab)1x RTX 4090 (median of 34 offers) |
| 4 | 1 × RTX PRO 6000 96GBBlackwell · GDDR7 | 0,50 $ | 1 | 0,50 $ | 365 $ | RunPod (öffnet in neuem Tab)1x RTX PRO 6000 MaxQ |
| 5 | 1 × A40 48GBAmpere · GDDR6 | 0,59 $ | 1 | 0,59 $ | 431 $ | RunPod (öffnet in neuem Tab)1x A40 |
| 6 | 1 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | 0,67 $ | 1 | 0,67 $ | 488 $ | Vast.ai (öffnet in neuem Tab)1x RTX 6000Ada (median of 8 offers) |
| 7 | 1 × A100 40GBAmpere · HBM2 | 0,68 $ | 1 | 0,68 $ | 497 $ | Vast.ai (öffnet in neuem Tab)1x A100 SXM4 (median of 8 offers) |
| 8 | 1 × RTX A6000 48GBAmpere · GDDR6 | 0,69 $ | 1 | 0,69 $ | 504 $ | RunPod (öffnet in neuem Tab)1x RTX A6000 |
| 9 | 1 × L4 24GBAda Lovelace · GDDR6 | 0,69 $ | 1 | 0,69 $ | 504 $ | RunPod (öffnet in neuem Tab)1x L4 |
| 10 | 1 × L40S 48GBAda Lovelace · GDDR6 | 0,78 $ | 1 | 0,78 $ | 571 $ | Vast.ai (öffnet in neuem Tab)1x L40S (median of 6 offers) |
| 11 | 1 × RTX 5090 32GBBlackwell · GDDR7 | 0,87 $ | 1 | 0,87 $ | 634 $ | Vast.ai (öffnet in neuem Tab)1x RTX 5090 (median of 55 offers) |
| 12 | 1 × A10 24GBAmpere · GDDR6 | 1,01 $ | 1 | 1,01 $ | 734 $ | AWS (öffnet in neuem Tab)g5.xlarge |
| 13 | 1 × A100 80GBAmpere · HBM2e | 1,21 $ | 1 | 1,21 $ | 884 $ | Vast.ai (öffnet in neuem Tab)1x A100 SXM4 (median of 8 offers) |
| 14 | 1 × GH200 96GBHopper · HBM3 | 1,99 $ | 1 | 1,99 $ | 1.453 $ | Vultr (öffnet in neuem Tab)vbm-72c-480gb-gh200-gpu (bare metal) |
| 15 | 1 × MI300X 192GBCDNA 3 · HBM3 | 2,39 $ | 1 | 2,39 $ | 1.745 $ | RunPod (öffnet in neuem Tab)1x MI300X |
| 16 | 1 × H100 80GBHopper · HBM3 | 2,89 $ | 1 | 2,89 $ | 2.110 $ | RunPod (öffnet in neuem Tab)1x H100 PCIe |
| 17 | 1 × H100 NVL 94GBHopper · HBM3 | 3,19 $ | 1 | 3,19 $ | 2.329 $ | RunPod (öffnet in neuem Tab)1x H100 NVL |
| 18 | 1 × H200 141GBHopper · HBM3e | 3,79 $ | 1 | 3,79 $ | 2.767 $ | RunPod (öffnet in neuem Tab)1x H200 NVL |
| 19 | 2 × T4 16GBTuring · GDDR6 | 0,98 $ | 2nur mit 4 GPUs erhältlich; du brauchst 2 | 3,91 $ | 2.856 $ | AWS (öffnet in neuem Tab)g4dn.12xlarge |
| 20 | 1 × B200 180GBBlackwell · HBM3e | 7,99 $ | 1 | 7,99 $ | 5.833 $ | RunPod (öffnet in neuem Tab)1x B200 |
| 21 | 1 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $ | 1 | 8,99 $ | 6.563 $ | RunPod (öffnet in neuem Tab)1x B300 |
| 22 | 1 × GB200 186GBBlackwell · HBM3e | 10,50 $ | 1nur mit 4 GPUs erhältlich; du brauchst 1 | 42,00 $ | 30.660 $ | CoreWeave (öffnet in neuem Tab)GB200 NVL72 |
| Anbieter | Instanz | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) |
|---|---|---|---|---|---|
| Vast.ai (öffnet in neuem Tab)Am günstigsten | 1x RTX 3090 (median of 29 offers)weltweiter Marktplatz | 0,25 $ | 1 × RTX 3090 24GB | etwa 0,25 $ | etwa 183 $ |
| RunPod (öffnet in neuem Tab) | 1x RTX 3090 Tius | 0,46 $ | 1 × RTX 3090 24GB | etwa 0,46 $ | etwa 336 $ |
| Google Cloud (öffnet in neuem Tab) | g2-standard-4us-central1 | 0,71 $ | 1 × L4 24GB | etwa 0,71 $ | etwa 516 $ |
| AWS (öffnet in neuem Tab) | g6.xlargeus-east-1 | 0,80 $ | 1 × L4 24GB | etwa 0,80 $ | etwa 588 $ |
| Lambda (öffnet in neuem Tab) | 1x A6000us | 1,09 $ | 1 × RTX A6000 48GB | etwa 1,09 $ | etwa 796 $ |
| Nebius (öffnet in neuem Tab) | 1x L40S 48GBeu/us | 1,55 $ | 1 × L40S 48GB | etwa 1,55 $ | etwa 1.132 $ |
| Vultr (öffnet in neuem Tab) | vcg-l40s-16c-180g-48vramus | 1,67 $ | 1 × L40S 48GB | etwa 1,67 $ | etwa 1.220 $ |
| Azure (öffnet in neuem Tab) | NV36ads_A10_v5eastus | 3,20 $ | 1 × A10 24GB | etwa 3,20 $ | etwa 2.336 $ |
| CoreWeave (öffnet in neuem Tab) | GH200us | 6,50 $ | 1 × GH200 96GB | etwa 6,50 $ | etwa 4.745 $ |
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
Speicher nach Genauigkeit und Einsatz
| Genauigkeit | Inferenz | LoRA-Feintuning | QLoRA-Feintuning | Volles Feintuning |
|---|---|---|---|---|
| FP16 / BF16 | 18 GB | 24 GB | – | 138 GB |
| INT8 | 9,7 GB | – | – | – |
| INT4 | 5,4 GB | – | 12 GB | – |
Günstigste GPU nach Genauigkeit
Inferenz mit 8K Kontext und einer Anfrage gleichzeitig.
FP16 / BF16
etwa 18 GB · 8K Tokens
Die Gewichte wie veröffentlicht. Kein Verlust, aber der größte Bedarf.
1 × RTX 3090 24GB
Vast.ai (öffnet in neuem Tab) · 1x RTX 3090 (median of 29 offers)
- Pro GPU / Std.
- 0,25 $
- Benötigte GPUs
- 1
- Gesamt / Std.
- etwa 0,25 $
- pro Monat, 24/7, ca.
- 183 $
INT8
etwa 9,7 GB · 8K Tokens
Gewichte in halber Größe. Bei Chat und RAG meist kein sichtbarer Unterschied.
1 × RTX 3090 24GB
Vast.ai (öffnet in neuem Tab) · 1x RTX 3090 (median of 29 offers)
- Pro GPU / Std.
- 0,25 $
- Benötigte GPUs
- 1
- Gesamt / Std.
- etwa 0,25 $
- pro Monat, 24/7, ca.
- 183 $
INT4
etwa 5,4 GB · 8K Tokens
Gewichte auf ein Viertel verkleinert. Kleine Verluste zeigen sich zuerst bei Mathematik und Code.
1 × RTX 3090 24GB
Vast.ai (öffnet in neuem Tab) · 1x RTX 3090 (median of 29 offers)
- Pro GPU / Std.
- 0,25 $
- Benötigte GPUs
- 1
- Gesamt / Std.
- etwa 0,25 $
- pro Monat, 24/7, ca.
- 183 $
Inferenz oder Feintuning
Inferenz (FP16)
1×
des Speichers für Inferenz
18 GB
1 × RTX 3090 24GB · etwa 0,25 $
LoRA-Feintuning
1,4×
des Speichers für Inferenz
24 GB
2 × V100 16GB · etwa 0,30 $
QLoRA-Feintuning
0,7×
des Speichers für Inferenz
12 GB
1 × RTX 3090 24GB · etwa 0,25 $
Volles Feintuning
7,8×
des Speichers für Inferenz
138 GB
4 × A40 48GB · etwa 2,36 $
Für den Betrieb in FP16 reicht 1 × RTX 3090 24GB (Vast.ai). LoRA braucht 2 × V100 16GB (Vast.ai), QLoRA 1 × RTX 3090 24GB (Vast.ai) und volles Feintuning 4 × A40 48GB (RunPod). Training hält neben den Gewichten auch Aktivierungen und Optimiererzustände im Speicher und braucht deshalb oft mehr GPUs als der Betrieb desselben Modells.
Läuft es auf einem Mac oder einer einzelnen RTX 4090?
RTX 4090 (24 GB)
Ja, bei FP16 / BF16 mit 8K Kontext: etwa 18 GB passen in die 24 GB der Karte.
Mac mit Apple Silicon
Ja, mit genug Speicher. Bei INT4 braucht es etwa 5,4 GB, also einen Mac mit 16 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
Selbst betreiben oder pro Token zahlen?
Selbst betreiben
Die günstigste Konfiguration in FP16, die wir gefunden haben, ist 1 × RTX 3090 24GB bei Vast.ai, etwa 183 $ im Monat im Dauerbetrieb. Lohnt sich bei gleichmäßigem Verkehr oder wenn die Daten auf eigenen Rechnern bleiben müssen.
Eine gehostete API nutzen
Unser Test von Qwen3-Embedding and Qwen3-Reranker zeigt, wo du es per API nutzen kannst und was das kostet. Bei wenig oder schwankendem Verkehr ist Zahlen pro Token meist günstiger.
Unseren Test lesenÄhnliche Modelle
Offene Modelle ähnlicher Größe.
- Qwen3-VL-EmbeddingEmbeddings8,1 Mrd. · etwa 19 GB FP16 · 582.675 ↓GPU-Bedarf
- Nemotron 3.5 Rerank 8BEmbeddings8,4 Mrd. · etwa 19 GB FP16 · 8240 ↓GPU-Bedarf
- Nemotron ColEmbed V2Embeddings8,8 Mrd. · etwa 20 GB FP16 · 1286 ↓GPU-Bedarf
- zerank-2Embeddings4 Mrd. · etwa 9,8 GB FP16 · 68.202 ↓GPU-Bedarf
- Qwen3 Embedding 4BEmbeddings4 Mrd. · etwa 9,8 GB FP16 · 2,4 Mio. ↓GPU-Bedarf
- Qwen3 VL Embedding 2BEmbeddings2,1 Mrd. · etwa 5,7 GB FP16 · 480.296 ↓GPU-Bedarf
Qwen3-Embedding and Qwen3-Reranker: häufige Fragen
Wie viel VRAM braucht Qwen3-Embedding and Qwen3-Reranker?
Etwa 18 GB bei FP16, 9,7 GB bei INT8 und 5,4 GB bei INT4, mit 8K Kontext und einer Anfrage gleichzeitig. Längerer Kontext und mehr parallele Anfragen kommen als KV-Cache hinzu.
Was ist die günstigste GPU für Qwen3-Embedding and Qwen3-Reranker?
1 × RTX 3090 24GB (etwa 0,25 $ pro GPU / Stunde) bei Vast.ai, für etwa 0,25 $ pro Stunde bei Inferenz in FP16 / BF16 mit 8K Kontext. Preise erfasst am 13. Nov. 2026; sie ändern sich oft.
Kann ich Qwen3-Embedding and Qwen3-Reranker auf einer einzelnen GPU feintunen?
Ja, mit QLoRA: Es braucht etwa 12 GB, das passt auf eine 80-GB-GPU. LoRA braucht etwa 24 GB, volles Feintuning etwa 138 GB.
Wie werden diese Zahlen berechnet?
Die Gewichte sind Parameter mal Bytes pro Parameter (2 bei FP16, 1 bei INT8, 0,5 bei INT4). Der KV-Cache ergibt sich aus Schichten, KV-Köpfen, Kopfgröße und Kontextlänge des Modells. Wir rechnen etwa 10 % plus 1 GB für die Laufzeit dazu und füllen jede GPU bis 90 %. Die Preise sind On-Demand-Listenpreise in US-Regionen, von den öffentlichen Preisseiten der Anbieter.
Läuft Qwen3-Embedding and Qwen3-Reranker auf einer Consumer-GPU wie der RTX 4090?
Ja, bei FP16 / BF16 mit 8K Kontext: etwa 18 GB passen in die 24 GB der Karte.
Passt Qwen3-Embedding and Qwen3-Reranker auf eine einzelne H100 80GB?
Ja, bei FP16 / BF16, INT8, INT4 mit 8K Kontext.
Wie viele GPUs brauche ich für Qwen3-Embedding and Qwen3-Reranker?
Bei FP16 mit 8K Kontext: 1 × 80 GB, 1 × 48 GB oder 1 × 24 GB. Bei INT4 brauchen die Gewichte etwa ein Viertel des Speichers.
Wie viel VRAM braucht Qwen3-Embedding and Qwen3-Reranker bei INT8?
Etwa 9,7 GB, nur Gewichte und Laufzeit-Overhead: Dieses Modell verarbeitet die Eingabe in einem Durchgang und braucht keinen KV-Cache.
Was kostet es, Qwen3-Embedding and Qwen3-Reranker einen Monat lang rund um die Uhr zu betreiben?
Etwa 183 $ mit der günstigsten Konfiguration, die wir gefunden haben (1 × RTX 3090 24GB (etwa 0,25 $ pro GPU / Stunde), 0,25 $ pro Stunde für 730 Stunden). Am günstigsten bei AWS, Google Cloud oder Azure sind es etwa 516 $ im Monat.
FP16, INT8 oder INT4: was soll ich nehmen?
FP16 behält die volle Qualität und braucht den meisten Speicher (hier etwa 18 GB). INT8 halbiert die Gewichte mit wenig Verlust für die meisten Chat-Aufgaben. INT4 (AWQ, GPTQ oder GGUF Q4) verkleinert sie auf ein Viertel, insgesamt etwa 5,4 GB, mit einem kleinen Qualitätsverlust, der sich vor allem bei Mathematik und Code zeigt.
Läuft Qwen3-Embedding and Qwen3-Reranker auf einem Mac?
Ja, mit genug Speicher. Bei INT4 braucht es etwa 5,4 GB, also einen Mac mit 16 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
vLLM oder llama.cpp?
vLLM ist dafür gebaut, viele Anfragen gleichzeitig auf NVIDIA- und AMD-GPUs zu bedienen, und reserviert den Großteil des GPU-Speichers für den KV-Cache. llama.cpp läuft mit GGUF-Dateien auf fast allem, auch auf Macs und CPUs, und passt für eine Person oder ein kleines Team. Bei gleicher Genauigkeit ist der Speicherbedarf ähnlich.
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
So rechnen wir
- Gewichte. Parameter mal Bytes pro Parameter: 2 bei FP16, 1 bei INT8, 0,5 bei INT4, plus etwa 5 % für die Quantisierungsskalen bei INT8 und INT4.
- KV-Cache. 2 × Schichten × KV-Köpfe × Kopfgröße × Kontext × Anfragen × 2 Bytes, aus der config.json des Modells. Fehlt eine Angabe, schätzen wir sie und weisen darauf hin.
- Overhead. Etwa 10 % plus 1 GB für die Laufzeit, in etwa das, was vLLM reserviert.
- Feintuning. LoRA behält 16-Bit-Gewichte und ergänzt einen kleinen Adapter, dessen Optimierer und die Aktivierungen. QLoRA macht dasselbe auf 4-Bit-Gewichten. Volles Feintuning braucht mit Adam in gemischter Genauigkeit etwa 16 Bytes pro Parameter (Gewichte, Gradienten und Optimiererzustände), plus Aktivierungen.
- GPUs. Wir füllen jede GPU bis 90 % ihres Speichers und hören bei 8 pro Knoten auf. Die Kosten sind On-Demand-Listenpreise in US-Regionen; bei Marktplatz-Clouds zeigen wir das mittlere Angebot.