Qwen2.5 72B Instruct (Q6_K) — 23.4 GBauf Scaleway L4-1-24G

Q6_K Scaleway L4-1-24G

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 übersteigt die 24 GB VRAM von Scaleway L4-1-24G. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Die NVIDIA L4 ist eine Datacenter-Inferenz-GPU mit 24 GB GDDR6 VRAM und 300 GB/s Speicherbandbreite. Sie liefert 121 FP16 TFLOPS mit Ada-Lovelace- Architektur. Konzipiert fuer effiziente, stromsparende Inferenz-Workloads in Cloud- und Edge-Deployments. Verarbeitet quantisierte Modelle bis 20B Parameter.

Hardwareanforderungen

Modellgröße	55.76 GB
Verfügbarer VRAM	24 GB
Genutzter VRAM	23.4 GB
System-RAM	48 GB
Min. RAM benötigt	34.2 GB
GPU-Ebenen	31 / 80
Kontextgröße	1.796
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

49 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/q6_k/nvidia-l4.yaml) apply

Generierte values.yaml

/values/qwen2-5-72b-instruct/q6_k/nvidia-l4.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 31 \
  --ctx-size 1796 \
  --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 (Q6_K)?

Die Q6_K-Quantisierung von Qwen2.5 72B Instruct benötigt 55.76 GB. 31 von 80 Schichten passen in die 24 GB VRAM von Scaleway L4-1-24G; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Qwen2.5 72B Instruct auf Scaleway L4-1-24G ausführen?

Ja, mit reduzierter Leistung. Scaleway L4-1-24G kann Qwen2.5 72B Instruct (Q6_K) ausführen, aber nur 31 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. 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 L4-1-24G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 24 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

Scaleway L4-1-24G hat 24 GB VRAM, aber Qwen2.5 72B Instruct (Q6_K) benötigt ungefähr 55.76 GB. Nur 31 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 (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: 5. März 2026