Qwen2.5 72B Instruct (Q5_0) — 47.4 Gosur OVH l40s-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 Q5_0 (niveau de qualité low), le modèle pèse 46.89 Go. Cela tient dans les 48 Go de VRAM de OVH l40s-1-gpu, permettant une inférence entièrement sur GPU.
La NVIDIA L40S est un GPU datacenter avec 48 Go de GDDR6 VRAM et 864 Go/s de bande passante memoire. Elle delivre 362 FP16 TFLOPS avec l'architecture Ada Lovelace. Un GPU polyvalent pour l'inference IA, l'entrainement et les charges graphiques. Gere confortablement les modeles quantifies jusqu'a 40B parametres.
Configuration matérielle requise
| Taille du modèle | 46.89 GB |
| VRAM disponible | 48 GB |
| VRAM utilisée | 47.4 GB |
| RAM système | 80 GB |
| RAM min requise | 1.2 GB |
| Couches GPU | 78 / 80 |
| Taille du contexte | 1 433 |
| 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/q5_0/nvidia-l40s.yaml) applyFichier values.yaml
/values/qwen2-5-72b-instruct/q5_0/nvidia-l40s.yaml
Chargement des valeurs…Questions fréquemment posées
De combien de VRAM Qwen2.5 72B Instruct (Q5_0) a-t-il besoin ?
La quantification Q5_0 de Qwen2.5 72B Instruct nécessite 46.89 Go. 78 des 80 couches tiennent dans les 48 Go de VRAM de OVH l40s-1-gpu ; les couches restantes sont déchargées sur le CPU.
Puis-je exécuter Qwen2.5 72B Instruct sur OVH l40s-1-gpu ?
Oui, avec des performances réduites. OVH l40s-1-gpu peut exécuter Qwen2.5 72B Instruct (Q5_0), mais seules 78 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. Q5_0 compresse Qwen2.5 72B Instruct de sa taille originale à 46.89 Go.
Quelle quantification choisir pour Qwen2.5 72B Instruct ?
Q5_0 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 l40s-1-gpu, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 48 Go de VRAM disponibles.
Pourquoi certaines couches sont-elles déchargées sur le CPU ?
OVH l40s-1-gpu dispose de 48 Go de VRAM, mais Qwen2.5 72B Instruct (Q5_0) nécessite environ 46.89 Go. Seules 78 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 (Q5_0) avec Ollama ?
Exécutez ollama run qwen2.5:72b-instruct-q5_0 pour démarrer Qwen2.5 72B Instruct (Q5_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.