Qwen2.5 72B Instruct (Q4_0) — 31.4 Gosur NVIDIA RTX 5090

Q4_0 NVIDIA RTX 5090

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 Q4_0 (niveau de qualité medium), le modèle pèse 38.51 Go. Cela dépasse les 32 Go de VRAM de NVIDIA RTX 5090. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Configuration matérielle requise

Taille du modèle	38.51 GB
VRAM disponible	32 GB
VRAM utilisée	31.4 GB
RAM min requise	8.7 GB
Couches GPU	62 / 80
Taille du contexte	1 015
Backend	cuda13
Flash attention	Oui

Notes de performance

Performances réduites

18 des 80 couches s'exécutent sur le CPU. Votre système nécessite au moins 8.7 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/q4_0/nvidia-rtx5090.yaml) apply

Fichier values.yaml

/values/qwen2-5-72b-instruct/q4_0/nvidia-rtx5090.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-q4_0-00001-of-00011.gguf"

Démarrer le serveur

llama-server \
  -m qwen2-5-72b-instruct.gguf \
  --n-gpu-layers 62 \
  --ctx-size 1015 \
  --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 (Q4_0) a-t-il besoin ?

La quantification Q4_0 de Qwen2.5 72B Instruct nécessite 38.51 Go. 62 des 80 couches tiennent dans les 32 Go de VRAM de NVIDIA RTX 5090 ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter Qwen2.5 72B Instruct sur NVIDIA RTX 5090 ?

Oui, avec des performances réduites. NVIDIA RTX 5090 peut exécuter Qwen2.5 72B Instruct (Q4_0), mais seules 62 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. Q4_0 compresse Qwen2.5 72B Instruct de sa taille originale à 38.51 Go.

Quelle quantification choisir pour Qwen2.5 72B Instruct ?

Q4_0 est une quantification qualité moyenne. 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 5090, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 32 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

NVIDIA RTX 5090 dispose de 32 Go de VRAM, mais Qwen2.5 72B Instruct (Q4_0) nécessite environ 38.51 Go. Seules 62 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 (Q4_0) avec Ollama ?

Exécutez ollama run qwen2.5:72b-instruct-q4_0 pour démarrer Qwen2.5 72B Instruct (Q4_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 5 mars 2026