Qwen2.5 72B Instruct (FP16) — 63.4 GBauf Apple M3 Max 64GB
Überblick
Qwen2.5 72B Instruct ist ein 72.71B-Parameter dense-Sprachmodell von Qwen, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 32,768 Tokens.
Qwen2.5 72B Instruct ist ein dichter Transformer mit 72,71 Milliarden Parametern vom Qwen-Team bei Alibaba, feinabgestimmt fuer Instruktionsbefolgung, Codegenerierung und mehrsprachige Aufgaben. Er konkurriert mit anderen fuehrenden 70B-Instruct-Modellen und unterstuetzt 14 Sprachen, darunter Englisch, Chinesisch, Arabisch und Japanisch. Das Modell bietet natives Tool Calling und strukturierte Ausgabefunktionen. Mit einem 32K-Kontextfenster und Grouped-Query Attention quantisiert es effizient fuer selbstgehostete Inferenz auf High-End-Consumer- oder Server-GPU-Konfigurationen.
Bei FP16-Quantisierung (Qualitätsstufe full-precision) wiegt das Modell 135.84 GB. Das übersteigt die 64 GB VRAM von Apple M3 Max 64GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Hardwareanforderungen
| Modellgröße | 135.84 GB |
| Verfügbarer VRAM | 64 GB |
| Genutzter VRAM | 63.4 GB |
| System-RAM | |
| Min. RAM benötigt | 74.7 GB |
| GPU-Ebenen | 36 / 80 |
| Kontextgröße | 3.366 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o qwen2-5-72b-instruct.gguf "https://huggingface.co/Qwen/Qwen2.5-72B-Instruct-GGUF/resolve/main/qwen2.5-72b-instruct-fp16-00001-of-00042.gguf"Server starten
llama-server \
-m qwen2-5-72b-instruct.gguf \
--n-gpu-layers 36 \
--ctx-size 3366 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Qwen2.5 72B Instruct (FP16)?
Die FP16-Quantisierung von Qwen2.5 72B Instruct benötigt 135.84 GB. 36 von 80 Schichten passen in die 64 GB VRAM von Apple M3 Max 64GB; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich Qwen2.5 72B Instruct auf Apple M3 Max 64GB ausführen?
Ja, mit reduzierter Leistung. Apple M3 Max 64GB kann Qwen2.5 72B Instruct (FP16) ausführen, aber nur 36 von 80 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.
Was ist Quantisierung?
Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. FP16 komprimiert Qwen2.5 72B Instruct von seiner ursprünglichen Größe auf 135.84 GB.
Welche Quantisierung sollte ich für Qwen2.5 72B Instruct wählen?
FP16 ist eine Vollpräzisions- Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.
Was ist Flash Attention und warum ist es aktiviert?
Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für Qwen2.5 72B Instruct auf Apple M3 Max 64GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 64 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
Apple M3 Max 64GB hat 64 GB VRAM, aber Qwen2.5 72B Instruct (FP16) benötigt ungefähr 135.84 GB. Nur 36 von 80 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.
Wie führe ich Qwen2.5 72B Instruct (FP16) mit Ollama aus?
Führen Sie ollama run qwen2.5:72b-instruct-fp16 aus, um Qwen2.5 72B Instruct (FP16) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.