النقاط الرئيسية
- Qwen3 8B و14B مناسبان لوحدات GPU الاستهلاكية — 8 جيجابايت و16 جيجابايت VRAM على التوالي، يعملان عبر Ollama في Docker
- Qwen3 32B يتطلب RTX 4090 بـ 24 جيجابايت؛ هو أكبر نشر بطاقة واحدة في الإنتاج لمعظم الفرق
- Qwen2.5-72B يحتاج RTX 4090 مزدوجًا، أو بناءً على المعالج بذاكرة RAM كبيرة (128+ جيجابايت DDR5)، أو استئجارًا سحابيًا — التكلفة الذاتية ~$0.05–0.12/يوم مُهلَكة
- حزمة Docker Compose مع Ollama + Open WebUI + Nginx تعرض API متوافقة مع OpenAI في أقل من 10 دقائق
- خوادم Qwen الدائمة التشغيل: Minisforum UM890 Pro ($429، Qwen3 8B على المعالج) أو AOOSTAR GEM12 Pro OCuLink + RTX 4060 Ti 16 جيجابايت (~$800 إجمالًا)
- البديل السحابي: RunPod A40 48 جيجابايت بـ $0.44/ساعة يتعامل مع Qwen2.5-72B — أرخص من شراء RTX 4090 مزدوج للاستخدام العرضي
- هذا الدليل يغطي النشر في الإنتاج؛ للإعداد الأساسي مع Ollama راجع دليل Qwen للمبتدئين
📍 في جملة واحدة
انشر نماذج Qwen في الإنتاج باستخدام حزمة Docker Compose التي تشغّل Ollama كواجهة خلفية للاستدلال وتعرض نقطة نهاية API متوافقة مع OpenAI.
💬 بعبارات بسيطة
بدلًا من تشغيل Qwen يدويًا في كل مرة، يتيح لك Docker إعداد خادم دائم يبقى متاحًا ويقبل الطلبات — مثل استخدام API لـ ChatGPT لكن على جهازك الخاص بدون تكلفة لكل رمز.
أداء نماذج Qwen حسب الجهاز — مايو 2026
اختر الجهاز بحسب حجم النموذج لا بحسب ماركة GPU. VRAM هو القيد الرئيسي: إذا لم يتسع النموذج، لن يعمل بسرعة GPU. يُظهر الجدول سرعات الاستدلال المقاسة مع تكميم Q4_K_M (أفضل نسبة جودة إلى حجم لنشر Ollama).
| النموذج | VRAM المطلوبة | الجهاز الموصى به | السرعة (Q4_K_M) | تكلفة GPU (USD) |
|---|---|---|---|---|
| Qwen3 8B | 8 جيجابايت | RTX 3060 12 جيجابايت | ~25 رمز/ثانية | $150–350 مستعمل |
| Qwen3 14B | 12 جيجابايت | RTX 4060 Ti 16 جيجابايت | ~18 رمز/ثانية | ~$424 جديد |
| Qwen3 32B | 20+ جيجابايت | RTX 4090 24 جيجابايت | ~12 رمز/ثانية | ~$1,900 جديد |
| Qwen2.5-72B | 48+ جيجابايت | RTX 4090 × 2 أو GPU سحابي | ~5–8 رمز/ثانية | $3,800+ أو $0.44/ساعة |
أرقام السرعة من إعدادات Ollama + Docker الفعلية على نظام Linux مع تشغيل حاوية واحدة للاستدلال.
إعداد خادم API بـ Docker
- 1ثبّت Docker و Docker Compose على نظام Linux (Ubuntu 22.04 موصى به للإنتاج)
- 2أنشئ ملف
docker-compose.ymlمع حاويتي Ollama و Open WebUI - 3اضبط
OLLAMA_HOST=0.0.0.0في بيئة الحاوية لتعريض API - 4نزّل نموذج Qwen المطلوب عبر
docker exec:docker exec ollama ollama pull qwen2.5:7b - 5أضف Nginx كبوابة API مع مصادقة أساسية وحد للمعدل
- 6اضبط سياسة إعادة التشغيل كـ
unless-stoppedللاستمرارية بعد انقطاع الكهرباء
services:
ollama:
image: ollama/ollama:latest
restart: unless-stopped
environment:
- OLLAMA_HOST=0.0.0.0
volumes:
- ollama_data:/root/.ollama
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: all
capabilities: [gpu]
open-webui:
image: ghcr.io/open-webui/open-webui:main
restart: unless-stopped
environment:
- OLLAMA_BASE_URL=http://ollama:11434
ports:
- "3000:8080"
depends_on:
- ollama
volumes:
ollama_data:إعداد تعدد GPU لـ Qwen2.5-72B
يتطلب Qwen2.5-72B توزيع النموذج عبر GPU متعددة. يدعم Ollama تعدد GPU تلقائيًا عند اكتشاف عدة GPUs لـ NVIDIA عبر nvidia-docker.
تحقق من رؤية Ollama لجميع GPUs: docker exec ollama nvidia-smi. يجب ظهور جميع GPUs.
لتوزيع النموذج يدويًا: CUDA_VISIBLE_DEVICES=0,1 ollama run qwen2.5:72b
إذا كانت الـ VRAM مجتمعة غير كافية (مثلًا GPU×2 بـ 24 جيجابايت = 48 جيجابايت لـ 72B)، سينتقل Ollama إلى طبقات المعالج تلقائيًا مما يخفض السرعة.
- RTX 4090 × 2: 48 جيجابايت VRAM مجتمعة — مناسب لـ Qwen2.5-72B Q4_K_M (45.6 جيجابايت)
- RTX 4090 + RTX 3090: 48 جيجابايت — يعمل لكن ابحث عن اختناقات النطاق الترددي للذاكرة
- RTX 4090 واحدة: الحد الأقصى Qwen3 32B؛ Qwen2.5-72B سيلجأ جزئيًا للمعالج
# تحقق من نقاط نهاية GPU في Docker
docker run --gpus all nvidia/cuda:12.0-base nvidia-smi
# نموذج يمتد عبر GPU — تلقائي في Ollama
docker exec -e CUDA_VISIBLE_DEVICES=0,1 ollama ollama run qwen2.5:72bتهيئة API في الإنتاج
يعرض Ollama API متوافقة مع OpenAI على http://خادمك:11434/v1. اضبط OPENAI_API_BASE=http://خادمك:11434/v1 وOPENAI_API_KEY=أي-قيمة في أدواتك.
تعمل الأدوات التالية بدون تعديل: Continue.dev وCursor (الوضع المحلي) وLangChain وAutoGen وLibreChat وOpen WebUI.
للوصول عن بُعد: استخدم نفق Nginx مع TLS وSSL بدلًا من تعريض منفذ Ollama مباشرةً عبر الإنترنت.
لإدارة المفاتيح: استخدم Nginx مع auth_basic للمصادقة البسيطة، أو أضف LiteLLM Proxy لإدارة مفاتيح API ومحاسبة الاستخدام.
مقارنة التكاليف: self-hosted مقابل السحابة
تكاليف الاستضافة الذاتية مُهلَكة على عمر الجهاز (3 سنوات مفترضة). تكاليف السحابة تعكس الأسعار الفعلية لـ RunPod في مايو 2026.
| الخيار | تكلفة الجهاز | تكلفة الكهرباء | التكلفة اليومية المُهلَكة | أفضل لـ |
|---|---|---|---|---|
| UM890 Pro (Qwen3 8B، معالج) | $429 | ~$0.05/يوم | ~$0.05 | الاستخدام المنخفض، دائم التشغيل |
| RTX 3060 (Qwen3 8B، GPU) | $150–350 | ~$0.06/يوم | ~$0.12 | الاستخدام المتوسط، استجابة أسرع |
| RTX 4090 (Qwen3 32B) | $1,900 | ~$0.15/يوم | ~$1.90 | الاستخدام الكثيف، نماذج كبيرة |
| RunPod A40 48 جيجابايت (Qwen2.5-72B) | $0 (مستأجر) | مدرجة | $0.44/ساعة | الاستخدام العرضي، نماذج 72B |
أجهزة الخادم الدائم التشغيل
Minisforum UM890 Pro ($429): AMD Ryzen 9 8945HS، 32–64 جيجابايت DDR5، iGPU Radeon 780M. يشغّل Qwen3 8B على المعالج بـ ~8 رمز/ثانية. الاستهلاك: ~35 واط في وضع الخمول، ~65 واط أثناء الاستدلال. الخيار الأقل تكلفةً للخادم دائم التشغيل.
AOOSTAR GEM12 Pro OCuLink (~$350) + RTX 4060 Ti 16 جيجابايت (~$424): يربط GPU الخارجي عبر OCuLink. Qwen3 14B يعمل بـ ~18 رمز/ثانية. إجمالي ~$800. الخيار الأفضل إذا كنت تريد سرعة GPU مع هيكل mini PC.
- كلا الخيارين: فعّل
systemdأو مجدول مهام Windows لبدء Ollama تلقائيًا عند التشغيل - استخدم Nginx كبوابة بـ TLS إذا كنت تعرض API للشبكة المحلية أو الإنترنت
- Qwen3 8B على المعالج: ~$0.05/يوم للكهرباء عند تشغيله على مدار الساعة
الحكم: الأجهزة حسب حجم النموذج
اختر الجهاز بحسب نموذج Qwen الذي تحتاجه، وليس بالعكس.
أي جهاز لأي نموذج Qwen؟
Use a local LLM if:
- •Qwen3 8B → RTX 3060 12 جيجابايت أو UM890 Pro (معالج)
- •Qwen3 14B → RTX 4060 Ti 16 جيجابايت
- •Qwen3 32B → RTX 4090 24 جيجابايت
- •Qwen2.5-72B مع استخدام كثيف → RTX 4090 × 2
- •Qwen2.5-72B مع استخدام عرضي → RunPod A40 48 جيجابايت ($0.44/ساعة)
Use a cloud model if:
- •Qwen2.5-72B للتجريب السريع → RunPod لتجنب الاستثمار في الجهاز
- •الميزانية < $500 ولكن تحتاج Qwen2.5-72B → السحابة حتمًا
Quick decision:
- →الخيار الافتراضي لمعظم المستخدمين: Qwen3 8B على RTX 3060
- →أفضل نسبة قيمة/أداء: RTX 4060 Ti 16 جيجابايت + Qwen3 14B
موارد ذات صلة
الأسئلة الشائعة
هل يوجد نموذج Qwen3 7B؟
لا. تشكيلة Qwen3 الكثيفة هي 0.6B و1.7B و4B و8B و14B و32B — لا يوجد 7B. إذا بحثت عن "Qwen3 7B"، فإن أقرب نموذج هو Qwen3-8B (ollama pull qwen3:8b)، الذي يتسع ضمن ~5–6 جيجابايت من VRAM بتكميم Q4_K_M ويعمل بنحو 25 رمز/ثانية على RTX 3060 بـ 12 جيجابايت. ولنموذج من فئة 72B، استخدم Qwen2.5-72B.
ما VRAM الأدنى لتشغيل Qwen3 8B على GPU؟
ثمانية جيجابايت من VRAM بتكميم Q4_K_M. RTX 3060 بـ 12 جيجابايت هو الخيار الموصى به للاستخدام في الإنتاج.
هل يمكن تشغيل Qwen2.5-72B على GPU واحدة؟
ليس بسرعة GPU بالكامل. Qwen2.5-72B بـ Q4_K_M يحتاج ~45.6 جيجابايت VRAM. RTX 4090 الواحدة (24 جيجابايت) ستُشغّله جزئيًا على المعالج مما يُبطّئه إلى ~2–4 رموز/ثانية. للإنتاج، استخدم GPU مزدوجًا أو سحابة.
هل Qwen self-hosted متوافق مع أدوات OpenAI؟
نعم. يعرض Ollama API متوافقة مع OpenAI على http://خادمك:11434/v1. اضبط OPENAI_API_BASE وOPENAI_API_KEY في أداتك — تعمل Continue.dev وLangChain وAutoGen بدون تعديل.
كم تكلفة تشغيل خادم Qwen دائم التشغيل؟
UM890 Pro مع Qwen3 8B على المعالج يستهلك ~12 واط في وضع الخمول و~45 واط أثناء الاستدلال. بـ $0.16/كيلوواط·ساعة، التشغيل 24/7 يكلف ~$0.70–1.80/شهرًا.
ما الفرق بين استخدام Ollama وvLLM لنشر Qwen؟
Ollama: أسهل في الإعداد، مناسب للاستخدام الفردي وبيئات التطوير. vLLM: أعلى إنتاجية لأحمال الطلبات المتزامنة، مناسب للإنتاج مع عدة مستخدمين.
سجل التحديثات
- 2026-05-26: إصدار مبدئي — تغطي معايير Qwen3 8B/14B/32B/72B وDockerfile الكامل وأسعار السحابة في مايو 2026.