Qwen3-Embedding and Qwen3-RerankerのGPU要件：VRAMと最安GPU
Qwen3-Embedding and Qwen3-Rerankerのパラメータ数は75.7億で、BF16で公開されています。 apache-2.0で公開されており、商用利用が認められています。
- パラメータ数
- 75.7億
- 最小メモリ（INT4）
- 約5.4 GB
- 最安GPUの1時間料金（FP16）
- $0.25
- 種類
- 埋め込み
Qwen/Qwen3-Embedding-8B
- パラメータ数 75.7億
- 種類 埋め込み
- タスク feature-extraction
- 最大コンテキスト 40K
- ライセンス apache-2.0
- ダウンロード数 233.4万
- いいね 858
Qwen3-Embedding and Qwen3-Rerankerの計算結果
詳細設定
Qwen3-Embedding and Qwen3-Rerankerに必要なGPUメモリは約18 GB
推論（vLLM）、FP16 / BF16、コンテキスト8Kトークン、同時リクエスト1件。
メモリの内訳
- 重み 15 GB
- ランタイムのオーバーヘッド 2.5 GB
- 合計 18 GB
GPUの台数は、急な負荷に備えて各カードの10%を空けて計算しています。長いプロンプトや多数の同時利用が見込まれる場合は余裕を持たせてください。
| 順位 | 構成 | GPU 1台 / 時間 | 必要な台数 | 合計 / 時間 | 合計 / 月（24時間稼働） | プロバイダー |
|---|---|---|---|---|---|---|
| 1 | 1 × RTX 3090 24GB最安Ampere · GDDR6X | $0.25 | 1 | $0.25 | $183 | Vast.ai （新しいタブで開きます）1x RTX 3090 (median of 29 offers) |
| 2 | 2 × V100 16GBVolta · HBM2 | $0.15 | 2 | $0.30 | $220 | Vast.ai （新しいタブで開きます）2x Tesla V100 (median of 4 offers) |
| 3 | 1 × RTX 4090 24GBAda Lovelace · GDDR6X | $0.48 | 1 | $0.48 | $354 | Vast.ai （新しいタブで開きます）1x RTX 4090 (median of 34 offers) |
| 4 | 1 × RTX PRO 6000 96GBBlackwell · GDDR7 | $0.50 | 1 | $0.50 | $365 | RunPod （新しいタブで開きます）1x RTX PRO 6000 MaxQ |
| 5 | 1 × A40 48GBAmpere · GDDR6 | $0.59 | 1 | $0.59 | $431 | RunPod （新しいタブで開きます）1x A40 |
| 6 | 1 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | $0.67 | 1 | $0.67 | $488 | Vast.ai （新しいタブで開きます）1x RTX 6000Ada (median of 8 offers) |
| 7 | 1 × A100 40GBAmpere · HBM2 | $0.68 | 1 | $0.68 | $497 | Vast.ai （新しいタブで開きます）1x A100 SXM4 (median of 8 offers) |
| 8 | 1 × RTX A6000 48GBAmpere · GDDR6 | $0.69 | 1 | $0.69 | $504 | RunPod （新しいタブで開きます）1x RTX A6000 |
| 9 | 1 × L4 24GBAda Lovelace · GDDR6 | $0.69 | 1 | $0.69 | $504 | RunPod （新しいタブで開きます）1x L4 |
| 10 | 1 × L40S 48GBAda Lovelace · GDDR6 | $0.78 | 1 | $0.78 | $571 | Vast.ai （新しいタブで開きます）1x L40S (median of 6 offers) |
| 11 | 1 × RTX 5090 32GBBlackwell · GDDR7 | $0.87 | 1 | $0.87 | $634 | Vast.ai （新しいタブで開きます）1x RTX 5090 (median of 55 offers) |
| 12 | 1 × A10 24GBAmpere · GDDR6 | $1.01 | 1 | $1.01 | $734 | AWS （新しいタブで開きます）g5.xlarge |
| 13 | 1 × A100 80GBAmpere · HBM2e | $1.21 | 1 | $1.21 | $884 | Vast.ai （新しいタブで開きます）1x A100 SXM4 (median of 8 offers) |
| 14 | 1 × GH200 96GBHopper · HBM3 | $1.99 | 1 | $1.99 | $1,453 | Vultr （新しいタブで開きます）vbm-72c-480gb-gh200-gpu (bare metal) |
| 15 | 1 × MI300X 192GBCDNA 3 · HBM3 | $2.39 | 1 | $2.39 | $1,745 | RunPod （新しいタブで開きます）1x MI300X |
| 16 | 1 × H100 80GBHopper · HBM3 | $2.89 | 1 | $2.89 | $2,110 | RunPod （新しいタブで開きます）1x H100 PCIe |
| 17 | 1 × H100 NVL 94GBHopper · HBM3 | $3.19 | 1 | $3.19 | $2,329 | RunPod （新しいタブで開きます）1x H100 NVL |
| 18 | 1 × H200 141GBHopper · HBM3e | $3.79 | 1 | $3.79 | $2,767 | RunPod （新しいタブで開きます）1x H200 NVL |
| 19 | 2 × T4 16GBTuring · GDDR6 | $0.98 | 24台単位で の提供。必要なのは2台 | $3.91 | $2,856 | AWS （新しいタブで開きます）g4dn.12xlarge |
| 20 | 1 × B200 180GBBlackwell · HBM3e | $7.99 | 1 | $7.99 | $5,833 | RunPod （新しいタブで開きます）1x B200 |
| 21 | 1 × B300 288GBBlackwell Ultra · HBM3e | $8.99 | 1 | $8.99 | $6,563 | RunPod （新しいタブで開きます）1x B300 |
| 22 | 1 × GB200 186GBBlackwell · HBM3e | $10.50 | 14台単位での提供。必要なのは1台 | $42.00 | $30,660 | CoreWeave （新しいタブで開きます）GB200 NVL72 |
| プロバイダー | インスタンス | GPU 1台 / 時間 | 必要な台数 | 合計 / 時間 | 合計 / 月（24時間稼働） |
|---|---|---|---|---|---|
| Vast.ai （新しいタブで開きます）最安 | 1x RTX 3090 (median of 29 offers)世界中のマーケットプレイス | $0.25 | 1 × RTX 3090 24GB | 約$0.25 | 約$183 |
| RunPod （新しいタブで開きます） | 1x RTX 3090 Tius | $0.46 | 1 × RTX 3090 24GB | 約$0.46 | 約$336 |
| Google Cloud （新しいタブで開きます） | g2-standard-4us-central1 | $0.71 | 1 × L4 24GB | 約$0.71 | 約$516 |
| AWS （新しいタブで開きます） | g6.xlargeus-east-1 | $0.80 | 1 × L4 24GB | 約$0.80 | 約$588 |
| Lambda （新しいタブで開きます） | 1x A6000us | $1.09 | 1 × RTX A6000 48GB | 約$1.09 | 約$796 |
| Nebius （新しいタブで開きます） | 1x L40S 48GBeu/us | $1.55 | 1 × L40S 48GB | 約$1.55 | 約$1,132 |
| Vultr （新しいタブで開きます） | vcg-l40s-16c-180g-48vramus | $1.67 | 1 × L40S 48GB | 約$1.67 | 約$1,220 |
| Azure （新しいタブで開きます） | NV36ads_A10_v5eastus | $3.20 | 1 × A10 24GB | 約$3.20 | 約$2,336 |
| CoreWeave （新しいタブで開きます） | GH200us | $6.50 | 1 × GH200 96GB | 約$6.50 | 約$4,745 |
価格 は2026年11月13日時点。費用はすべて概算です（オンデマンド、米ドル、主に米国リージョン。Vast.aiなどのマーケットプレイスは世界全体）。
精度と用途ごとのメモリ
| 精度 | 推論 | LoRAファインチューニング | QLoRAファインチューニング | フルファインチューニング |
|---|---|---|---|---|
| FP16 / BF16 | 18 GB | 24 GB | – | 138 GB |
| INT8 | 9.7 GB | – | – | – |
| INT4 | 5.4 GB | – | 12 GB | – |
精度別の最安GPU
8Kコンテキスト、同時リクエスト1件での推論。
FP16 / BF16
約18 GB · 8Kトークン
公開されたままの重み。劣化はありませんが、メモリは最も多く使います。
1 × RTX 3090 24GB
Vast.ai （新しいタブで開きます） · 1x RTX 3090 (median of 29 offers)
- GPU 1台 / 時間
- $0.25
- 必要な台数
- 1
- 合計 / 時間
- 約$0.25
- 月額（24時間稼働、概算）
- $183
INT8
約9.7 GB · 8Kトークン
重みは半分の大きさ。チャットやRAGではほとんど差が出ません。
1 × RTX 3090 24GB
Vast.ai （新しいタブで開きます） · 1x RTX 3090 (median of 29 offers)
- GPU 1台 / 時間
- $0.25
- 必要な台数
- 1
- 合計 / 時間
- 約$0.25
- 月額（24時間稼働、概算）
- $183
INT4
約5.4 GB · 8Kトークン
重みは4分の1の大きさ。小さな劣化はまず数学やコードに表れます。
1 × RTX 3090 24GB
Vast.ai （新しいタブで開きます） · 1x RTX 3090 (median of 29 offers)
- GPU 1台 / 時間
- $0.25
- 必要な台数
- 1
- 合計 / 時間
- 約$0.25
- 月額（24時間稼働、概算）
- $183
推論とファインチューニング
推論 (FP16)
1×
（推論時のメモリ比）
18 GB
1 × RTX 3090 24GB · 約$0.25
LoRAファインチューニング
1.4×
（推論時のメモリ比）
24 GB
2 × V100 16GB · 約$0.30
QLoRAファインチューニング
0.7×
（推論時のメモリ比）
12 GB
1 × RTX 3090 24GB · 約$0.25
フルファインチューニング
7.8×
（推論時のメモリ比）
138 GB
4 × A40 48GB · 約$2.36
FP16での推論は1 × RTX 3090 24GB (Vast.ai)で足ります。LoRAは2 × V100 16GB (Vast.ai)、QLoRAは1 × RTX 3090 24GB (Vast.ai)、フルファインチューニングは4 × A40 48GB (RunPod)が必要です。学習では重みに加えてアクティベーションとオプティマイザーの状態もメモリに置くため、同じモデルの推論より多くのGPUが要ることがよくあります。
MacやRTX 4090 1枚で動くか
RTX 4090（24GB）
はい。FP16 / BF16、8Kコンテキストなら約18 GBで、カードの24GBに収まります。
Appleシリコン搭載Mac
はい、メモリが十分にあれば動きます。INT4で約5.4 GB必要なので、ユニファイドメモリ16GB以上のMacが目安です（macOSはその約4分の3をGPUに割り当てます）。生成速度はデータセンター向けGPUより遅くなります。
自分で動かすか、トークン課金のAPIを使うか
自分で動かす
FP16で見つかった最安の構成はVast.aiの1 × RTX 3090 24GBで、常時稼働なら月約$183です。トラフィックが安定している場合や、データを自社の環境から出せない場合に向いています。
ホスト型APIを使う
Qwen3-Embedding and Qwen3-Rerankerのレビューで、APIで使える場所とその費用をまとめています。利用が少ない、または波がある場合は、トークン課金のほうが安くなることが多いです。
私たちのレビューを読む似たモデル
規模が近いオープンモデル。
- Qwen3-VL-Embedding埋め込み81.4億 · 約19 GB FP16 · 58.3万 ↓GPU要件
- Nemotron 3.5 Rerank 8B埋め込み83.8億 · 約19 GB FP16 · 8240 ↓GPU要件
- Nemotron ColEmbed V2埋め込み87.7億 · 約20 GB FP16 · 1286 ↓GPU要件
- zerank-2埋め込み40.2億 · 約9.8 GB FP16 · 6.8万 ↓GPU要件
- Qwen3 Embedding 4B埋め込み40.2億 · 約9.8 GB FP16 · 238.9万 ↓GPU要件
- Qwen3 VL Embedding 2B埋め込み21.3億 · 約5.7 GB FP16 · 48万 ↓GPU要件
Qwen3-Embedding and Qwen3-Reranker：よくある質問
Qwen3-Embedding and Qwen3-Rerankerに必要なVRAMは？
8Kコンテキスト、同時リクエスト1件で、FP16は約18 GB、INT8は約9.7 GB、INT4は約5.4 GBです。コンテキストを長くしたり同時リクエストを増やしたりすると、その分KVキャッシュが増えます。
Qwen3-Embedding and Qwen3-Rerankerを動かす最安のGPUは？
Vast.aiの1 × RTX 3090 24GB (約$0.25 GPU 1台・1時間あたり)で、FP16 / BF16・8Kコンテキストの推論なら1時間あたり約$0.25です。価格は2026年11月13日時点 で、頻繁に変わります。
Qwen3-Embedding and Qwen3-RerankerはGPU 1枚でファインチューニングできる？
はい、QLoRAなら可能です。約12 GBで、80GBのGPU 1枚に収まります。LoRAは約24 GB、フルファインチューニングは約138 GB必要です。
この数値はどう計算している？
重みはパラメータ数×1パラメータあたりのバイト数（FP16は2、INT8は1、INT4は0.5）です。KVキャッシュはモデルの層数、KVヘッド数、ヘッドサイズ、コンテキスト長から求めます。ランタイム用に約10%と1GBを加え、各GPUのメモリの90%まで使う前提です。価格は各プロバイダーの公開価格ページから集めた、米国リージョンのオンデマンド定価です。
Qwen3-Embedding and Qwen3-RerankerはRTX 4090のような一般向けGPUで動く？
はい。FP16 / BF16、8Kコンテキストなら約18 GBで、カードの24GBに収まります。
Qwen3-Embedding and Qwen3-RerankerはH100 80GB 1枚に収まる？
はい、8KコンテキストならFP16 / BF16, INT8, INT4で収まります。
Qwen3-Embedding and Qwen3-RerankerにはGPUが何台必要？
FP16、8Kコンテキストの場合、80GBなら1台、48GBなら1台、24GBなら1台です。INT4なら重みのメモリはおよそ4分の1になります。
INT8のQwen3-Embedding and Qwen3-Rerankerに必要なVRAMは？
約9.7 GB で、重みとランタイムのオーバーヘッドだけです。このモデルは入力を一度に処理するため、KVキャッシュを持ちません。
Qwen3-Embedding and Qwen3-Rerankerを1か月24時間動かすといくら？
私たちが見つけた最安の構成（1 × RTX 3090 24GB (約$0.25 GPU 1台・1時間あたり)、1時間$0.25×730時間）で約$183です。AWS、Google Cloud、Azureの最安は月約$516です。
FP16、INT8、INT4のどれを使うべき？
FP16は品質を保ったまま使えますが、メモリは最も多く必要です（ここでは約18 GB）。INT8は重みが半分になり、多くのチャット用途では品質の低下はわずかです。INT4（AWQ、GPTQ、GGUF Q4）は重みが4分の1になり、合計約5.4 GBですが、数学やコードで目立つ程度の小さな品質低下があります。
Qwen3-Embedding and Qwen3-RerankerはMacで動く？
はい、メモリが十分にあれば動きます。INT4で約5.4 GB必要なので、ユニファイドメモリ16GB以上のMacが目安です（macOSはその約4分の3をGPUに割り当てます）。生成速度はデータセンター向けGPUより遅くなります。
vLLMとllama.cppのどちら？
vLLMはNVIDIAやAMDのGPUで多数のリクエストを同時に処理するためのもので、GPUメモリの大半をKVキャッシュに確保します。llama.cppはGGUFファイルをMacやCPUを含むほぼあらゆる環境で動かせ、個人や小さなチームに向いています。同じ精度なら必要なメモリはほぼ同じです。
価格は2026年11月13日時点。費用はすべて概算です（オンデマンド、米ドル、主に米国リージョン。Vast.aiなどのマーケットプレイスは世界全体）。
計算方法
- 重み： パラメータ数×1パラメータあたりのバイト数。FP16は2、INT8は1、INT4は0.5で、INT8とINT4には量子化スケール分として約5%を加えます。
- KVキャッシュ： 2×層数×KVヘッド数×ヘッドサイズ×コンテキスト長×リクエスト数×2バイト。値はモデルのconfig.jsonから取ります。欠けている値は推定し、その旨を表示します。
- オーバーヘッド： 約10%に加えてランタイム用に1GB。vLLMが確保する量とほぼ同じです。
- ファインチューニング： LoRAは16ビットの重みに小さなアダプター、そのオプティマイザー、アクティベーションを加えます。QLoRAは4ビットの重みで同じことをします。フルファインチューニングは混合精度のAdamで1パラメータあたり約16バイト（重み、勾配、オプティマイザーの状態）にアクティベーションが加わります。
- GPU： 各GPUのメモリの90%まで使う前提で、1ノード8台までとします。費用は米国リージョンのオンデマンド定価で、マーケットプレイス型のクラウドは中央値です。