Qwen2.5 72B Instruct (Q3_K_M) — 23.4 Gosur NVIDIA RTX 4090

Q3_K_M NVIDIA RTX 4090

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 Q3_K_M (niveau de qualité low), le modèle pèse 33.02 Go. Cela dépasse les 24 Go de VRAM de NVIDIA RTX 4090. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

La NVIDIA GeForce RTX 4090 est un GPU grand public avec 24 Go de GDDR6X VRAM et 1008 Go/s de bande passante memoire. Elle delivre 82.6 FP16 TFLOPS, ce qui en fait l'une des cartes grand public les plus rapides pour l'inference LLM locale. Elle gere confortablement les modeles quantifies jusqu'a 20B parametres. Ideale pour les constructeurs de home lab et les developpeurs recherchant une inference a haut debit sans materiel datacenter.

Configuration matérielle requise

Taille du modèle	33.02 GB
VRAM disponible	24 GB
VRAM utilisée	23.4 GB
RAM min requise	11.1 GB
Couches GPU	53 / 80
Taille du contexte	915
Backend	cuda13
Flash attention	Oui

Notes de performance

Performances réduites

27 des 80 couches s'exécutent sur le CPU. Votre système nécessite au moins 11.1 Go de RAM. Si la RAM système est insuffisante, les données seront lues depuis le disque à la demande, avec un impact significatif sur les performances.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Serveur Local

Prérequis

Assurez-vous que vos nœuds GPU sont préparés avec le NVIDIA container toolkit :

ansible-playbook prositronic.infra.nvidia_container_toolkit

Commande

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-72b-instruct/q3_k_m/nvidia-rtx4090.yaml) apply

Fichier values.yaml

/values/qwen2-5-72b-instruct/q3_k_m/nvidia-rtx4090.yaml

Chargement des valeurs…

Installer llama.cpp

Installez llama.cpp depuis les instructions de compilation officielles pour votre plateforme et backend.

Télécharger le modèle

curl -L -o qwen2-5-72b-instruct.gguf "https://huggingface.co/Qwen/Qwen2.5-72B-Instruct-GGUF/resolve/main/qwen2.5-72b-instruct-q3_k_m-00001-of-00009.gguf"

Démarrer le serveur

llama-server \
  -m qwen2-5-72b-instruct.gguf \
  --n-gpu-layers 53 \
  --ctx-size 915 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• Qwen2.5 72B Instruct (FP16)
• Qwen2.5 72B Instruct (Q8_0)
• Qwen2.5 72B Instruct (Q5_K_M)

Autre matériel

• Qwen2.5 72B Instruct on CPU Only
• Qwen2.5 72B Instruct on NVIDIA A100 80GB
• Qwen2.5 72B Instruct on NVIDIA H100

Questions fréquemment posées

De combien de VRAM Qwen2.5 72B Instruct (Q3_K_M) a-t-il besoin ?

La quantification Q3_K_M de Qwen2.5 72B Instruct nécessite 33.02 Go. 53 des 80 couches tiennent dans les 24 Go de VRAM de NVIDIA RTX 4090 ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter Qwen2.5 72B Instruct sur NVIDIA RTX 4090 ?

Oui, avec des performances réduites. NVIDIA RTX 4090 peut exécuter Qwen2.5 72B Instruct (Q3_K_M), mais seules 53 des 80 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.

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. Q3_K_M compresse Qwen2.5 72B Instruct de sa taille originale à 33.02 Go.

Quelle quantification choisir pour Qwen2.5 72B Instruct ?

Q3_K_M 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 NVIDIA RTX 4090, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 24 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

NVIDIA RTX 4090 dispose de 24 Go de VRAM, mais Qwen2.5 72B Instruct (Q3_K_M) nécessite environ 33.02 Go. Seules 53 des 80 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.

Comment exécuter Qwen2.5 72B Instruct (Q3_K_M) avec Ollama ?

Exécutez ollama run qwen2.5:72b-instruct-q3_k_m pour démarrer Qwen2.5 72B Instruct (Q3_K_M). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026