Qwen2.5 7B Instruct (Q5_0) — 8 GBauf Scaleway H100-2-80G

Code Multilingual Tool Calls

Q5_0 Scaleway H100-2-80G

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 Q5_0-Quantisierung (Qualitätsstufe low) wiegt das Modell 4.95 GB. Das passt in die 160 GB VRAM von Scaleway H100-2-80G und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	4.95 GB
Verfügbarer VRAM	160 GB
Genutzter VRAM	8 GB
System-RAM	480 GB
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/q5_0/nvidia-h100-160gb.yaml) apply

Generierte `values.yaml`

/values/qwen2-5-7b-instruct/q5_0/nvidia-h100-160gb.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-q5_0-00001-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 (Q5_0)?

Die Q5_0-Quantisierung von Qwen2.5 7B Instruct benötigt 4.95 GB. Alle 28 Schichten passen in die 160 GB VRAM von Scaleway H100-2-80G, was volle GPU-Beschleunigung ermöglicht.

Kann ich Qwen2.5 7B Instruct auf Scaleway H100-2-80G ausführen?

Ja. Scaleway H100-2-80G bietet 160 GB VRAM, was ausreicht, um Qwen2.5 7B Instruct (Q5_0) 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_0 komprimiert Qwen2.5 7B Instruct von seiner ursprünglichen Größe auf 4.95 GB.

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

Q5_0 ist eine niedrigwertige 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 Scaleway H100-2-80G ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 160 GB VRAM zu maximieren.

Wie führe ich Qwen2.5 7B Instruct (Q5_0) mit Ollama aus?

Führen Sie ollama run qwen2.5:7b-instruct-q5_0 aus, um Qwen2.5 7B Instruct (Q5_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026