Qwen2.5 72B Instruct (Q6_K) — 67 Gosur Scaleway H100-1-80G

Code Multilingual Tool Calls

Q6_K Scaleway H100-1-80G

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 Q6_K (niveau de qualité high), le modèle pèse 55.76 Go. Cela tient dans les 80 Go de VRAM de Scaleway H100-1-80G, permettant une inférence entièrement sur GPU.

Le NVIDIA H100 80 Go est un GPU datacenter avec 80 Go de HBM3 VRAM et 3350 Go/s de bande passante memoire. Il delivre 1979 FP16 TFLOPS sur l'architecture Hopper, ce qui en fait l'option GPU unique la plus rapide pour l'inference de grands modeles de langage. Il gere des modeles jusqu'a 70B parametres avec un debit eleve. Concu pour les equipes datacenter executant des charges de travail IA exigeantes en production.

Configuration matérielle requise

Taille du modèle	55.76 GB
VRAM disponible	80 GB
VRAM utilisée	67 GB
RAM système	240 GB
RAM min requise	0 GB
Couches GPU	80 / 80
Taille du contexte	32 768
Backend	cuda13
Flash attention	Oui
Lecture depuis le disque	Oui

Déploiement

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/q6_k/nvidia-h100-80gb.yaml) apply

Fichier `values.yaml`

/values/qwen2-5-72b-instruct/q6_k/nvidia-h100-80gb.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-q6_k-00001-of-00016.gguf"

Démarrer le serveur

llama-server \
  -m qwen2-5-72b-instruct.gguf \
  --n-gpu-layers 80 \
  --ctx-size 32768 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Questions fréquemment posées

De combien de VRAM Qwen2.5 72B Instruct (Q6_K) a-t-il besoin ?

La quantification Q6_K de Qwen2.5 72B Instruct nécessite 55.76 Go. Les 80 couches tiennent dans les 80 Go de VRAM disponibles sur Scaleway H100-1-80G, permettant une accélération GPU complète.

Puis-je exécuter Qwen2.5 72B Instruct sur Scaleway H100-1-80G ?

Oui. Scaleway H100-1-80G dispose de 80 Go de VRAM, ce qui suffit pour exécuter Qwen2.5 72B Instruct (Q6_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. Q6_K compresse Qwen2.5 72B Instruct de sa taille originale à 55.76 Go.

Quelle quantification choisir pour Qwen2.5 72B Instruct ?

Q6_K est une quantification haute 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 Scaleway H100-1-80G, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 80 Go de VRAM disponibles.

Comment exécuter Qwen2.5 72B Instruct (Q6_K) avec Ollama ?

Exécutez ollama run qwen2.5:72b-instruct-q6_k pour démarrer Qwen2.5 72B Instruct (Q6_K). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 20 mars 2026