Qwen2.5 72B Instruct (FP16) — 23.5 GBsu NVIDIA RTX 4090
Panoramica
Qwen2.5 72B Instruct è un modello linguistico dense da 72.71B parametri di Qwen, con capacità di code, multilingual, tool-calls. Supporta una finestra di contesto fino a 32,768 token.
Qwen2.5 72B Instruct e un trasformatore denso da 72,71 miliardi di parametri del team Qwen di Alibaba, perfezionato per il seguimento di istruzioni, la generazione di codice e compiti multilingue. Compete con altri modelli instruct da 70B di primo piano, supportando 14 lingue tra cui inglese, cinese, arabo e giapponese. Il modello offre "tool calling" nativo e capacita di output strutturato. Con una finestra di contesto da 32K e "grouped-query attention", si quantizza in modo efficiente per inferenza self-hosted su configurazioni GPU di fascia alta consumer o server.
Con la quantizzazione FP16 (livello di qualità full-precision), il modello pesa 135.84 GB. Questo supera i 24 GB di VRAM di NVIDIA RTX 4090. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
La NVIDIA GeForce RTX 4090 e una GPU consumer con 24 GB di GDDR6X VRAM e 1008 GB/s di larghezza di banda della memoria. Offre 82.6 FP16 TFLOPS, rendendola una delle schede consumer piu veloci per l'inferenza LLM locale. Gestisce comodamente modelli quantizzati fino a 20B parametri. Ideale per chi costruisce home lab e per gli sviluppatori che desiderano inferenza ad alto throughput senza hardware datacenter.
Requisiti Hardware
| Dimensione del modello | 135.84 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 23.5 GB |
| RAM di sistema | |
| RAM min richiesta | 113.8 GB |
| Livelli GPU | 13 / 80 |
| Dimensione del contesto | 512 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
Note sulle prestazioni
Distribuzione
Prerequisiti
Assicurati che i nodi GPU siano preparati con il NVIDIA container toolkit:
ansible-playbook prositronic.infra.nvidia_container_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-72b-instruct/fp16/nvidia-rtx4090.yaml) applyFile values.yaml
/values/qwen2-5-72b-instruct/fp16/nvidia-rtx4090.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Qwen2.5 72B Instruct (FP16)?
La quantizzazione FP16 di Qwen2.5 72B Instruct richiede 135.84 GB. 13 dei 80 livelli entrano nei 24 GB di VRAM di NVIDIA RTX 4090; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire Qwen2.5 72B Instruct su NVIDIA RTX 4090?
Sì, con prestazioni ridotte. NVIDIA RTX 4090 può eseguire Qwen2.5 72B Instruct (FP16), ma solo 13 dei 80 livelli entrano nella VRAM. Il resto viene scaricato sulla CPU.
Cos'è la quantizzazione?
La quantizzazione riduce la precisione numerica di un modello dal suo formato originale in virgola mobile a una rappresentazione più compatta. Questo riduce la dimensione del file e l'impronta VRAM, rendendo possibile eseguire modelli di grandi dimensioni su hardware consumer. Il compromesso è una leggera riduzione della qualità dell'output. FP16 comprime Qwen2.5 72B Instruct dalla sua dimensione originale a 135.84 GB.
Quale quantizzazione scegliere per Qwen2.5 72B Instruct?
FP16 è una quantizzazione di piena precisione. I quant di qualità superiore (Q8, Q6) preservano maggiore precisione del modello ma necessitano di più VRAM. I quant inferiori (Q4, Q3, Q2) riducono l'uso di VRAM a scapito della qualità. Scegli in base al tuo hardware disponibile e ai requisiti di qualità.
Cos'è il flash attention e perché è attivato?
Flash attention è un algoritmo efficiente in memoria che accelera il meccanismo di attenzione nei modelli transformer. Riduce l'uso di VRAM durante l'inferenza evitando la materializzazione della matrice di attenzione completa. Per Qwen2.5 72B Instruct su NVIDIA RTX 4090, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
NVIDIA RTX 4090 ha 24 GB di VRAM, ma Qwen2.5 72B Instruct (FP16) richiede circa 135.84 GB. Solo 13 dei 80 livelli entrano nella VRAM; i livelli rimanenti vengono eseguiti sulla CPU, che è più lenta ma funzionale.
Come eseguire Qwen2.5 72B Instruct (FP16) con Ollama?
Esegui ollama run qwen2.5:72b-instruct-fp16 per avviare Qwen2.5 72B Instruct (FP16). Ollama scarica automaticamente i pesi del modello al primo avvio.