Qwen2.5 72B Instruct (Q6_K) — 67 GBauf Scaleway H100-1-80G

Code Multilingual Tool Calls

Q6_K Scaleway H100-1-80G

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 Q6_K-Quantisierung (Qualitätsstufe high) wiegt das Modell 55.76 GB. Das passt in die 80 GB VRAM von Scaleway H100-1-80G und ermöglicht vollständige GPU-Inferenz.

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	55.76 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	67 GB
System-RAM	240 GB
Min. RAM benötigt	0 GB
GPU-Ebenen	80 / 80
Kontextgröße	32.768
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

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/q6_k/nvidia-h100-80gb.yaml) apply

Generierte `values.yaml`

/values/qwen2-5-72b-instruct/q6_k/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-q6_k-00001-of-00016.gguf"

Server starten

llama-server \
  -m qwen2-5-72b-instruct.gguf \
  --n-gpu-layers 80 \
  --ctx-size 32768 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen2.5 72B Instruct (Q6_K)?

Die Q6_K-Quantisierung von Qwen2.5 72B Instruct benötigt 55.76 GB. Alle 80 Schichten passen in die 80 GB VRAM von Scaleway H100-1-80G, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen2.5 72B Instruct auf Scaleway H100-1-80G ausführen?

Ja. Scaleway H100-1-80G bietet 80 GB VRAM, was ausreicht, um Qwen2.5 72B Instruct (Q6_K) 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. Q6_K komprimiert Qwen2.5 72B Instruct von seiner ursprünglichen Größe auf 55.76 GB.

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

Q6_K ist eine hochwertige 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 Scaleway H100-1-80G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.

Wie führe ich Qwen2.5 72B Instruct (Q6_K) mit Ollama aus?

Führen Sie ollama run qwen2.5:72b-instruct-q6_k aus, um Qwen2.5 72B Instruct (Q6_K) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 20. März 2026