Qwen2.5 7B Instruct (Q4_K_M) — 7.4 GBauf NVIDIA L40S

Code Multilingual Tool Calls

Q4_K_M NVIDIA L40S

Überblick

Qwen2.5 7B Instruct ist ein 7.62B-Parameter dense-Sprachmodell von Qwen, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 32,768 Tokens.

Qwen2.5 7B Instruct ist ein dichter Transformer mit 7,62 Milliarden Parametern vom Qwen-Team bei Alibaba, feinabgestimmt fuer Instruktionsbefolgung, Codegenerierung und mehrsprachige Konversation. Er zaehlt zu den staerksten 7B-Instruct-Modellen mit einer breiten Sprachabdeckung von 14 Sprachen, darunter Englisch, Chinesisch, Japanisch und Arabisch. Das Modell unterstuetzt Tool Calling und strukturierte Ausgabe nativ. Mit einem 32K-Kontextfenster und Flash Attention laeuft es effizient auf Consumer-GPUs und quantisiert gut fuer leichtgewichtige selbstgehostete Deployments.

Bei Q4_K_M-Quantisierung (Qualitätsstufe medium) wiegt das Modell 4.36 GB. Das passt in die 48 GB VRAM von NVIDIA L40S und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA L40S ist eine Datacenter-GPU mit 48 GB GDDR6 VRAM und 864 GB/s Speicherbandbreite. Sie liefert 362 FP16 TFLOPS mit Ada-Lovelace-Architektur. Eine vielseitige GPU fuer KI-Inferenz, Training und Grafik-Workloads. Verarbeitet quantisierte Modelle bis 40B Parameter problemlos.

Hardwareanforderungen

Modellgröße	4.36 GB
Verfügbarer VRAM	48 GB
Genutzter VRAM	7.4 GB
System-RAM
Min. RAM benötigt	0 GB
GPU-Ebenen	28 / 28
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/qwen2-5-7b-instruct/q4_k_m/nvidia-l40s.yaml) apply

Generierte `values.yaml`

/values/qwen2-5-7b-instruct/q4_k_m/nvidia-l40s.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 qwen2-5-7b-instruct.gguf "https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m-00001-of-00002.gguf"

Server starten

llama-server \
  -m qwen2-5-7b-instruct.gguf \
  --n-gpu-layers 28 \
  --ctx-size 32768 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Häufig gestellte Fragen

Wie viel VRAM benötigt Qwen2.5 7B Instruct (Q4_K_M)?

Die Q4_K_M-Quantisierung von Qwen2.5 7B Instruct benötigt 4.36 GB. Alle 28 Schichten passen in die 48 GB VRAM von NVIDIA L40S, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen2.5 7B Instruct auf NVIDIA L40S ausführen?

Ja. NVIDIA L40S bietet 48 GB VRAM, was ausreicht, um Qwen2.5 7B Instruct (Q4_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. Q4_K_M komprimiert Qwen2.5 7B Instruct von seiner ursprünglichen Größe auf 4.36 GB.

Welche Quantisierung sollte ich für Qwen2.5 7B Instruct wählen?

Q4_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 7B Instruct auf NVIDIA L40S ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 GB VRAM zu maximieren.

Wie führe ich Qwen2.5 7B Instruct (Q4_K_M) mit Ollama aus?

Führen Sie ollama run qwen2.5:7b-instruct-q4_k_m aus, um Qwen2.5 7B Instruct (Q4_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026