Qwen2.5 72B Instruct (FP16) — 79.5 GBauf OVH h100-1-gpu

FP16 OVH h100-1-gpu

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 80 GB VRAM von OVH h100-1-gpu. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA H100 80 GB ist eine Datacenter-GPU mit 80 GB HBM3 VRAM und 3350 GB/s Speicherbandbreite. Sie liefert 1979 FP16 TFLOPS auf der Hopper-Architektur und ist damit die schnellste Einzel-GPU-Option fuer Large-Language-Model-Inferenz. Sie verarbeitet Modelle mit bis zu 70B Parametern bei hohem Durchsatz. Entwickelt fuer Datacenter-Teams mit anspruchsvollen produktiven KI-Workloads.

Hardwareanforderungen

Modellgröße	135.84 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	79.5 GB
System-RAM	350 GB
Min. RAM benötigt	57.7 GB
GPU-Ebenen	46 / 80
Kontextgröße	512
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

34 von 80 Schichten werden auf der CPU ausgeführt, was die Inferenzgeschwindigkeit verringern kann.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-72b-instruct/fp16/nvidia-h100-80gb.yaml) apply

Generierte values.yaml

/values/qwen2-5-72b-instruct/fp16/nvidia-h100-80gb.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell 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 46 \
  --ctx-size 512 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Qwen2.5 72B Instruct (Q8_0)
• Qwen2.5 72B Instruct (Q5_K_M)
• Qwen2.5 72B Instruct (Q4_K_M)

Andere Hardware

• Qwen2.5 72B Instruct on CPU Only
• Qwen2.5 72B Instruct on NVIDIA A100 80GB
• Qwen2.5 72B Instruct on NVIDIA RTX 3090

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen2.5 72B Instruct (FP16)?

Die FP16-Quantisierung von Qwen2.5 72B Instruct benötigt 135.84 GB. 46 von 80 Schichten passen in die 80 GB VRAM von OVH h100-1-gpu; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Qwen2.5 72B Instruct auf OVH h100-1-gpu ausführen?

Ja, mit reduzierter Leistung. OVH h100-1-gpu kann Qwen2.5 72B Instruct (FP16) ausführen, aber nur 46 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 OVH h100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

OVH h100-1-gpu hat 80 GB VRAM, aber Qwen2.5 72B Instruct (FP16) benötigt ungefähr 135.84 GB. Nur 46 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.

Zuletzt aktualisiert: 20. März 2026