Qwen2.5 72B Instruct (Q4_0) — 31.4 GBauf NVIDIA V100S

Q4_0 NVIDIA V100S

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 Q4_0-Quantisierung (Qualitätsstufe medium) wiegt das Modell 38.51 GB. Das übersteigt die 32 GB VRAM von NVIDIA V100S. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	38.51 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	31.4 GB
Min. RAM benötigt	8.7 GB
GPU-Ebenen	62 / 80
Kontextgröße	1.015
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

18 von 80 Schichten laufen auf der CPU. Ihr System benötigt mindestens 8.7 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

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/q4_0/nvidia-v100s.yaml) apply

Generierte values.yaml

/values/qwen2-5-72b-instruct/q4_0/nvidia-v100s.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-q4_0-00001-of-00011.gguf"

Server starten

llama-server \
  -m qwen2-5-72b-instruct.gguf \
  --n-gpu-layers 62 \
  --ctx-size 1015 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Qwen2.5 72B Instruct (FP16)
• Qwen2.5 72B Instruct (Q8_0)
• Qwen2.5 72B Instruct (Q5_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 H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen2.5 72B Instruct (Q4_0)?

Die Q4_0-Quantisierung von Qwen2.5 72B Instruct benötigt 38.51 GB. 62 von 80 Schichten passen in die 32 GB VRAM von NVIDIA V100S; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Qwen2.5 72B Instruct auf NVIDIA V100S ausführen?

Ja, mit reduzierter Leistung. NVIDIA V100S kann Qwen2.5 72B Instruct (Q4_0) ausführen, aber nur 62 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. Q4_0 komprimiert Qwen2.5 72B Instruct von seiner ursprünglichen Größe auf 38.51 GB.

Welche Quantisierung sollte ich für Qwen2.5 72B Instruct wählen?

Q4_0 ist eine mittelwertige 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 NVIDIA V100S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 32 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA V100S hat 32 GB VRAM, aber Qwen2.5 72B Instruct (Q4_0) benötigt ungefähr 38.51 GB. Nur 62 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 (Q4_0) mit Ollama aus?

Führen Sie ollama run qwen2.5:72b-instruct-q4_0 aus, um Qwen2.5 72B Instruct (Q4_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026