Qwen3 Embedding 4B : configuration GPU requise, VRAM et GPU le moins cher
Qwen3 Embedding 4B compte 4 Md paramètres, publiés en BF16. Il est publié sous apache-2.0, qui autorise l’usage commercial.
- Paramètres
- 4 Md
- Empreinte minimale (INT4)
- environ 3,3 Go
- GPU le moins cher par heure (FP16)
- 0,25 $US
- Type
- Embeddings
Qwen/Qwen3-Embedding-4B
- Paramètres 4 Md
- Type Embeddings
- Tâche feature-extraction
- Contexte max. 40K
- Licence apache-2.0
- Téléchargements 2,4 M
- J’aime 352
Calcul pour Qwen3 Embedding 4B
Plus de réglages
Qwen3 Embedding 4B demande environ 9,8 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 8 Go
- Surcoût du moteur 1,8 Go
- Total 9,8 Go
Le nombre de GPU laisse 10 % de chaque carte libre pour les pics. Prévoyez davantage si vous attendez de longs prompts ou beaucoup d’utilisateurs en même temps.
| Rang | Configuration | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) | Fournisseur |
|---|---|---|---|---|---|---|
| 1 | 1 × RTX 3090 24GBLa moins chèreAmpere · GDDR6X | 0,25 $US | 1 | 0,25 $US | 183 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x RTX 3090 (median of 29 offers) |
| 2 | 1 × V100 16GBVolta · HBM2 | 0,15 $US | 1vendue avec 2 GPU ; il vous en faut 1 | 0,30 $US | 220 $US | Vast.ai (s’ouvre dans un nouvel onglet)2x Tesla V100 (median of 4 offers) |
| 3 | 1 × RTX 4090 24GBAda Lovelace · GDDR6X | 0,48 $US | 1 | 0,48 $US | 354 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x RTX 4090 (median of 34 offers) |
| 4 | 1 × RTX PRO 6000 96GBBlackwell · GDDR7 | 0,50 $US | 1 | 0,50 $US | 365 $US | RunPod (s’ouvre dans un nouvel onglet)1x RTX PRO 6000 MaxQ |
| 5 | 1 × T4 16GBTuring · GDDR6 | 0,53 $US | 1 | 0,53 $US | 384 $US | AWS (s’ouvre dans un nouvel onglet)g4dn.xlarge |
| 6 | 1 × A40 48GBAmpere · GDDR6 | 0,59 $US | 1 | 0,59 $US | 431 $US | RunPod (s’ouvre dans un nouvel onglet)1x A40 |
| 7 | 1 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | 0,67 $US | 1 | 0,67 $US | 488 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x RTX 6000Ada (median of 8 offers) |
| 8 | 1 × A100 40GBAmpere · HBM2 | 0,68 $US | 1 | 0,68 $US | 497 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x A100 SXM4 (median of 8 offers) |
| 9 | 1 × RTX A6000 48GBAmpere · GDDR6 | 0,69 $US | 1 | 0,69 $US | 504 $US | RunPod (s’ouvre dans un nouvel onglet)1x RTX A6000 |
| 10 | 1 × L4 24GBAda Lovelace · GDDR6 | 0,69 $US | 1 | 0,69 $US | 504 $US | RunPod (s’ouvre dans un nouvel onglet)1x L4 |
| 11 | 1 × L40S 48GBAda Lovelace · GDDR6 | 0,78 $US | 1 | 0,78 $US | 571 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x L40S (median of 6 offers) |
| 12 | 1 × RTX 5090 32GBBlackwell · GDDR7 | 0,87 $US | 1 | 0,87 $US | 634 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x RTX 5090 (median of 55 offers) |
| 13 | 1 × A10 24GBAmpere · GDDR6 | 1,01 $US | 1 | 1,01 $US | 734 $US | AWS (s’ouvre dans un nouvel onglet)g5.xlarge |
| 14 | 1 × A100 80GBAmpere · HBM2e | 1,21 $US | 1 | 1,21 $US | 884 $US | Vast.ai (s’ouvre dans un nouvel onglet)1x A100 SXM4 (median of 8 offers) |
| 15 | 1 × GH200 96GBHopper · HBM3 | 1,99 $US | 1 | 1,99 $US | 1 453 $US | Vultr (s’ouvre dans un nouvel onglet)vbm-72c-480gb-gh200-gpu (bare metal) |
| 16 | 1 × MI300X 192GBCDNA 3 · HBM3 | 2,39 $US | 1 | 2,39 $US | 1 745 $US | RunPod (s’ouvre dans un nouvel onglet)1x MI300X |
| 17 | 1 × H100 80GBHopper · HBM3 | 2,89 $US | 1 | 2,89 $US | 2 110 $US | RunPod (s’ouvre dans un nouvel onglet)1x H100 PCIe |
| 18 | 1 × H100 NVL 94GBHopper · HBM3 | 3,19 $US | 1 | 3,19 $US | 2 329 $US | RunPod (s’ouvre dans un nouvel onglet)1x H100 NVL |
| 19 | 1 × H200 141GBHopper · HBM3e | 3,79 $US | 1 | 3,79 $US | 2 767 $US | RunPod (s’ouvre dans un nouvel onglet)1x H200 NVL |
| 20 | 1 × B200 180GBBlackwell · HBM3e | 7,99 $US | 1 | 7,99 $US | 5 833 $US | RunPod (s’ouvre dans un nouvel onglet)1x B200 |
| 21 | 1 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $US | 1 | 8,99 $US | 6 563 $US | RunPod (s’ouvre dans un nouvel onglet)1x B300 |
| 22 | 1 × GB200 186GBBlackwell · HBM3e | 10,50 $US | 1vendue avec 4 GPU ; il vous en faut 1 | 42,00 $US | 30 660 $US | CoreWeave (s’ouvre dans un nouvel onglet)GB200 NVL72 |
| Fournisseur | Instance | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) |
|---|---|---|---|---|---|
| Vast.ai (s’ouvre dans un nouvel onglet)La moins chère | 1x RTX 3090 (median of 29 offers)place de marché mondiale | 0,25 $US | 1 × RTX 3090 24GB | environ 0,25 $US | environ 183 $US |
| RunPod (s’ouvre dans un nouvel onglet) | 1x RTX 3090 Tius | 0,46 $US | 1 × RTX 3090 24GB | environ 0,46 $US | environ 336 $US |
| AWS (s’ouvre dans un nouvel onglet) | g4dn.xlargeus-east-1 | 0,53 $US | 1 × T4 16GB | environ 0,53 $US | environ 384 $US |
| Azure (s’ouvre dans un nouvel onglet) | NC4as_T4_v3eastus | 0,53 $US | 1 × T4 16GB | environ 0,53 $US | environ 384 $US |
| Google Cloud (s’ouvre dans un nouvel onglet) | g2-standard-4us-central1 | 0,71 $US | 1 × L4 24GB | environ 0,71 $US | environ 516 $US |
| Lambda (s’ouvre dans un nouvel onglet) | 1x A6000us | 1,09 $US | 1 × RTX A6000 48GB | environ 1,09 $US | environ 796 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 1x L40S 48GBeu/us | 1,55 $US | 1 × L40S 48GB | environ 1,55 $US | environ 1 132 $US |
| Vultr (s’ouvre dans un nouvel onglet) | vcg-l40s-16c-180g-48vramus | 1,67 $US | 1 × L40S 48GB | environ 1,67 $US | environ 1 220 $US |
| CoreWeave (s’ouvre dans un nouvel onglet) | GH200us | 6,50 $US | 1 × GH200 96GB | environ 6,50 $US | environ 4 745 $US |
Prix relevés le 13 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai sont mondiales).
Mémoire par précision et par usage
| Précision | Inférence | Fine-tuning LoRA | Fine-tuning QLoRA | Fine-tuning complet |
|---|---|---|---|---|
| FP16 / BF16 | 9,8 Go | 14 Go | – | 74 Go |
| INT8 | 5,6 Go | – | – | – |
| INT4 | 3,3 Go | – | 7,2 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 9,8 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
1 × RTX 3090 24GB
Vast.ai (s’ouvre dans un nouvel onglet) · 1x RTX 3090 (median of 29 offers)
- Par GPU / h
- 0,25 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,25 $US
- par mois, 24/7, environ
- 183 $US
INT8
environ 5,6 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
1 × RTX 3090 24GB
Vast.ai (s’ouvre dans un nouvel onglet) · 1x RTX 3090 (median of 29 offers)
- Par GPU / h
- 0,25 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,25 $US
- par mois, 24/7, environ
- 183 $US
INT4
environ 3,3 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
1 × RTX 3090 24GB
Vast.ai (s’ouvre dans un nouvel onglet) · 1x RTX 3090 (median of 29 offers)
- Par GPU / h
- 0,25 $US
- GPU nécessaires
- 1
- Total / h
- environ 0,25 $US
- par mois, 24/7, environ
- 183 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
9,8 Go
1 × RTX 3090 24GB · environ 0,25 $US
Fine-tuning LoRA
1,4×
de la mémoire nécessaire à l’inférence
14 Go
1 × RTX 3090 24GB · environ 0,25 $US
Fine-tuning QLoRA
0,7×
de la mémoire nécessaire à l’inférence
7,2 Go
1 × RTX 3090 24GB · environ 0,25 $US
Fine-tuning complet
7,5×
de la mémoire nécessaire à l’inférence
74 Go
1 × RTX PRO 6000 96GB · environ 0,50 $US
Pour le servir en FP16, 1 × RTX 3090 24GB (Vast.ai) suffit. LoRA demande 1 × RTX 3090 24GB (Vast.ai), QLoRA 1 × RTX 3090 24GB (Vast.ai) et un fine-tuning complet 1 × RTX PRO 6000 96GB (RunPod). L’entraînement garde en mémoire les activations et l’état de l’optimiseur en plus des poids, d’où un besoin fréquent de plus de GPU que pour servir le même modèle.
Fonctionne-t-il sur un Mac ou une seule RTX 4090 ?
RTX 4090 (24 Go)
Oui, en FP16 / BF16 avec un contexte de 8K : environ 9,8 Go tiennent dans les 24 Go de la carte.
Mac avec puce Apple
Oui, avec assez de mémoire. En INT4, il demande environ 3,3 Go, donc un Mac avec 16 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
Modèles similaires
Des modèles ouverts de taille comparable.
- zerank-2Embeddings4 Md · environ 9,8 Go FP16 · 68,2 k ↓Besoins en GPU
- Qwen3-Embedding and Qwen3-RerankerEmbeddings7,6 Md · environ 18 Go FP16 · 2,3 M ↓Besoins en GPU
- Qwen3 VL Embedding 2BEmbeddings2,1 Md · environ 5,7 Go FP16 · 480,3 k ↓Besoins en GPU
- Qwen3-VL-EmbeddingEmbeddings8,1 Md · environ 19 Go FP16 · 582,7 k ↓Besoins en GPU
- Nemotron 3.5 Rerank 8BEmbeddings8,4 Md · environ 19 Go FP16 · 8,2 k ↓Besoins en GPU
- Nemotron ColEmbed V2Embeddings8,8 Md · environ 20 Go FP16 · 1,3 k ↓Besoins en GPU
Qwen3 Embedding 4B : questions fréquentes
Combien de VRAM faut-il pour Qwen3 Embedding 4B ?
Environ 9,8 Go en FP16, 5,6 Go en INT8 et 3,3 Go en INT4, avec un contexte de 8K et une requête à la fois. Un contexte plus long et davantage de requêtes en parallèle ajoutent du cache KV.
Quel est le GPU le moins cher pour faire tourner Qwen3 Embedding 4B ?
1 × RTX 3090 24GB (environ 0,25 $US par GPU / heure) chez Vast.ai, pour environ 0,25 $US de l’heure en inférence FP16 / BF16 avec un contexte de 8K. Prix relevés le 13 nov. 2026 ; ils changent souvent.
Peut-on faire le fine-tuning de Qwen3 Embedding 4B sur un seul GPU ?
Oui, avec QLoRA : il faut environ 7,2 Go, ce qui tient sur un GPU de 80 Go. LoRA demande environ 14 Go et un fine-tuning complet environ 74 Go.
Comment ces chiffres sont-ils calculés ?
Les poids correspondent aux paramètres multipliés par les octets par paramètre (2 en FP16, 1 en INT8, 0,5 en INT4). Le cache KV dépend des couches, des têtes KV, de la taille de tête et de la longueur de contexte du modèle. Nous ajoutons environ 10 % plus 1 Go pour le moteur et remplissons chaque GPU à 90 %. Les prix sont les tarifs catalogue à la demande dans les régions des États-Unis, relevés sur la page publique de chaque fournisseur.
Qwen3 Embedding 4B fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Oui, en FP16 / BF16 avec un contexte de 8K : environ 9,8 Go tiennent dans les 24 Go de la carte.
Qwen3 Embedding 4B tient-il sur une seule H100 80 Go ?
Oui, en FP16 / BF16, INT8, INT4 avec un contexte de 8K.
Combien de GPU faut-il pour Qwen3 Embedding 4B ?
En FP16 avec un contexte de 8K : 1 × 80 Go, 1 × 48 Go ou 1 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour Qwen3 Embedding 4B en INT8 ?
Environ 5,6 Go, poids et surcoût du moteur seulement : ce modèle traite l’entrée en une passe et ne garde pas de cache KV.
Combien coûte Qwen3 Embedding 4B en fonctionnement 24/7 pendant un mois ?
Environ 183 $US avec la configuration la moins chère que nous avons trouvée (1 × RTX 3090 24GB (environ 0,25 $US par GPU / heure), 0,25 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 384 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 9,8 Go ici). L’INT8 divise les poids par deux avec peu de perte pour la plupart des usages de chat. L’INT4 (AWQ, GPTQ ou GGUF Q4) les réduit au quart, environ 3,3 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
Qwen3 Embedding 4B fonctionne-t-il sur un Mac ?
Oui, avec assez de mémoire. En INT4, il demande environ 3,3 Go, donc un Mac avec 16 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
vLLM ou llama.cpp ?
vLLM est conçu pour servir de nombreuses requêtes à la fois sur des GPU NVIDIA et AMD et réserve l’essentiel de la mémoire GPU au cache KV. llama.cpp lit les fichiers GGUF sur presque tout, Mac et CPU compris, et convient à une personne ou à une petite équipe. À précision égale, la mémoire nécessaire est proche.
Prix relevés le 13 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai sont mondiales).
Notre méthode de calcul
- Poids. Paramètres multipliés par les octets par paramètre : 2 en FP16, 1 en INT8, 0,5 en INT4, plus environ 5 % pour les échelles de quantification en INT8 et INT4.
- Cache KV. 2 × couches × têtes KV × taille de tête × contexte × requêtes × 2 octets, d’après le config.json du modèle. Si une valeur manque, nous l’estimons et le signalons.
- Surcoût. Environ 10 % plus 1 Go pour le moteur, dans la ligne de ce que réserve vLLM.
- Fine-tuning. LoRA garde des poids en 16 bits et ajoute un petit adaptateur, son optimiseur et les activations. QLoRA fait de même sur des poids en 4 bits. Un fine-tuning complet demande environ 16 octets par paramètre avec Adam en précision mixte (poids, gradients et états de l’optimiseur), plus les activations.
- GPU. Nous remplissons chaque GPU à 90 % de sa mémoire et nous arrêtons à 8 par nœud. Les coûts sont les prix catalogue à la demande dans les régions des États-Unis ; pour les places de marché, nous montrons l’offre médiane.