Qwen2.5 72B Instruct (Q2_K) — 31.4 Gosur OVH ai1-1-GPU
Aperçu
Qwen2.5 72B Instruct est un modèle de langage dense de 72.71B paramètres par Qwen, avec des capacités en code, multilingual, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 32,768 tokens.
Qwen2.5 72B Instruct est un transformeur dense de 72,71 milliards de parametres de l'equipe Qwen d'Alibaba, affine pour le suivi d'instructions, la generation de code et les taches multilingues. Il rivalise avec les autres modeles instruct de 70B de premier plan tout en prenant en charge 14 langues dont l'anglais, le chinois, l'arabe et le japonais. Le modele offre le "tool calling" natif et des capacites de sortie structuree. Avec une fenetre de contexte de 32K et le "grouped-query attention", il se quantifie efficacement pour une inference auto-hebergee sur des configurations GPU haut de gamme grand public ou serveur.
Avec la quantification Q2_K (niveau de qualité low), le modèle pèse 25.45 Go. Cela tient dans les 32 Go de VRAM de OVH ai1-1-GPU, permettant une inférence entièrement sur GPU.
Configuration matérielle requise
| Taille du modèle | 25.45 GB |
| VRAM disponible | 32 GB |
| VRAM utilisée | 31.4 GB |
| RAM système | 40 GB |
| RAM min requise | 0 GB |
| Couches GPU | 80 / 80 |
| Taille du contexte | 15 418 |
| Backend | cuda13 |
| Flash attention | Oui |
| Lecture depuis le disque | Oui |
Notes de performance
Déploiement
Prérequis
Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :
ansible-playbook prositronic.infra.nvidia_container_toolkitCommande
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-72b-instruct/q2_k/nvidia-v100s.yaml) applyFichier values.yaml
/values/qwen2-5-72b-instruct/q2_k/nvidia-v100s.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Qwen2.5 72B Instruct (Q2_K) a-t-il besoin ?
La quantification Q2_K de Qwen2.5 72B Instruct nécessite 25.45 Go. Les 80 couches tiennent dans les 32 Go de VRAM disponibles sur OVH ai1-1-GPU, permettant une accélération GPU complète.
Puis-je exécuter Qwen2.5 72B Instruct sur OVH ai1-1-GPU ?
Oui. OVH ai1-1-GPU dispose de 32 Go de VRAM, ce qui suffit pour exécuter Qwen2.5 72B Instruct (Q2_K) avec toutes les couches sur le GPU pour des performances optimales.
Qu'est-ce que la quantification ?
La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. Q2_K compresse Qwen2.5 72B Instruct de sa taille originale à 25.45 Go.
Quelle quantification choisir pour Qwen2.5 72B Instruct ?
Q2_K est une quantification basse qualité. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.
Qu'est-ce que le flash attention et pourquoi est-il activé ?
Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour Qwen2.5 72B Instruct sur OVH ai1-1-GPU, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 32 Go de VRAM disponibles.
Comment exécuter Qwen2.5 72B Instruct (Q2_K) avec Ollama ?
Exécutez ollama run qwen2.5:72b-instruct-q2_k pour démarrer Qwen2.5 72B Instruct (Q2_K). Ollama télécharge automatiquement les poids du modèle au premier lancement.