Qwen2.5 7B Instruct (Q5_K_M) — 8.1 GBen NVIDIA H100
Descripción General
Qwen2.5 7B Instruct es un modelo de lenguaje dense de 7.62B parámetros de Qwen, con capacidades de code, multilingual, tool-calls. Admite una ventana de contexto de hasta 32,768 tokens.
Qwen2.5 7B Instruct es un transformador denso de 7.620 millones de parametros del equipo Qwen de Alibaba, ajustado para el seguimiento de instrucciones, la generacion de codigo y la conversacion multilingue. Se situa entre los modelos instruct de 7B mas potentes, con una amplia cobertura de 14 idiomas que incluye ingles, chino, japones y arabe. El modelo soporta "tool calling" y salida estructurada de forma nativa. Con una ventana de contexto de 32K y "flash attention", funciona eficientemente en GPUs de consumo y se cuantiza bien para despliegues autoalojados ligeros.
Con cuantización Q5_K_M (nivel de calidad medium), el modelo pesa 5.08 GB. Esto cabe dentro de los 80 GB de VRAM de NVIDIA H100, lo que permite la inferencia completa en GPU.
La NVIDIA H100 80 GB es una GPU de datacenter con 80 GB de HBM3 VRAM y 3350 GB/s de ancho de banda de memoria. Ofrece 1979 FP16 TFLOPS en la arquitectura Hopper, lo que la convierte en la opcion de GPU unica mas rapida para la inferencia de grandes modelos de lenguaje. Maneja modelos de hasta 70B parametros con alto rendimiento. Disenada para equipos de datacenter que ejecutan cargas de trabajo de IA exigentes en produccion.
Requisitos de Hardware
| Tamaño del modelo | 5.08 GB |
| VRAM disponible | 80 GB |
| VRAM utilizada | 8.1 GB |
| RAM del sistema | |
| RAM mín. requerida | 0 GB |
| Capas GPU | 28 / 28 |
| Tamaño del contexto | 32.768 |
| Backend | cuda13 |
| Flash attention | Sí |
| Lectura desde disco | Sí |
Despliegue
Prerrequisitos
Asegúrese de que sus nodos GPU estén preparados con el NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-7b-instruct/q5_k_m/nvidia-h100-80gb.yaml) applyArchivo values.yaml
/values/qwen2-5-7b-instruct/q5_k_m/nvidia-h100-80gb.yaml
Cargando valores…Preguntas frecuentes
¿Cuánta VRAM necesita Qwen2.5 7B Instruct (Q5_K_M)?
La cuantización Q5_K_M de Qwen2.5 7B Instruct requiere 5.08 GB. Las 28 capas caben en los 80 GB de VRAM disponibles en NVIDIA H100, permitiendo aceleración GPU completa.
¿Puedo ejecutar Qwen2.5 7B Instruct en NVIDIA H100?
Sí. NVIDIA H100 proporciona 80 GB de VRAM, suficiente para ejecutar Qwen2.5 7B Instruct (Q5_K_M) con todas las capas en la GPU para un rendimiento óptimo.
¿Qué es la cuantización?
La cuantización reduce la precisión numérica de un modelo de su formato original de punto flotante a una representación más compacta. Esto reduce el tamaño del archivo y la huella de VRAM, haciendo posible ejecutar modelos grandes en hardware de consumo. La contrapartida es una pequeña reducción en la calidad de salida. Q5_K_M comprime Qwen2.5 7B Instruct de su tamaño original a 5.08 GB.
¿Qué cuantización debo elegir para Qwen2.5 7B Instruct?
Q5_K_M es una cuantización de calidad media. Los quants de mayor calidad (Q8, Q6) preservan más precisión del modelo pero necesitan más VRAM. Los quants inferiores (Q4, Q3, Q2) reducen el uso de VRAM a costa de cierta calidad. Elija según su hardware disponible y requisitos de calidad.
¿Qué es flash attention y por qué está activado?
Flash attention es un algoritmo eficiente en memoria que acelera el mecanismo de atención en modelos transformer. Reduce el uso de VRAM durante la inferencia evitando la materialización de la matriz de atención completa. Para Qwen2.5 7B Instruct en NVIDIA H100, flash attention está activado para maximizar la longitud de contexto y el rendimiento dentro de los 80 GB de VRAM disponibles.
¿Cómo ejecutar Qwen2.5 7B Instruct (Q5_K_M) con Ollama?
Ejecute ollama run qwen2.5:7b-instruct-q5_k_m para iniciar Qwen2.5 7B Instruct (Q5_K_M). Ollama descarga automáticamente los pesos del modelo en la primera ejecución.