Qwen2.5 72B Instruct (Q5_K_M) — 59.4 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 Q5_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 48.1 GB. Das passt in die 64 GB VRAM von Apple M3 Max 64GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 48.1 GB |
| Verfügbarer VRAM | 64 GB |
| Genutzter VRAM | 59.4 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 80 / 80 |
| Kontextgröße | 32.768 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
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-q5_k_m-00001-of-00014.gguf"Server starten
llama-server \
-m qwen2-5-72b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 32768 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Qwen2.5 72B Instruct (Q5_K_M)?
Die Q5_K_M-Quantisierung von Qwen2.5 72B Instruct benötigt 48.1 GB. Alle 80 Schichten passen in die 64 GB VRAM von Apple M3 Max 64GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Qwen2.5 72B Instruct auf Apple M3 Max 64GB ausführen?
Ja. Apple M3 Max 64GB bietet 64 GB VRAM, was ausreicht, um Qwen2.5 72B Instruct (Q5_K_M) mit allen Schichten auf der GPU für optimale Leistung auszuführen.
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. Q5_K_M komprimiert Qwen2.5 72B Instruct von seiner ursprünglichen Größe auf 48.1 GB.
Welche Quantisierung sollte ich für Qwen2.5 72B Instruct wählen?
Q5_K_M 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 Apple M3 Max 64GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 64 GB VRAM zu maximieren.
Wie führe ich Qwen2.5 72B Instruct (Q5_K_M) mit Ollama aus?
Führen Sie ollama run qwen2.5:72b-instruct-q5_k_m aus, um Qwen2.5 72B Instruct (Q5_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.