Qwen2.5 72B Instruct (Q4_0) — 49.8 GBsu OVH h100-1-gpu
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 Q4_0 (livello di qualità medium), il modello pesa 38.51 GB. Questo rientra nei 80 GB di VRAM di OVH h100-1-gpu, consentendo l'inferenza completa su GPU.
La NVIDIA H100 80 GB e una GPU datacenter con 80 GB di HBM3 VRAM e 3350 GB/s di larghezza di banda della memoria. Offre 1979 FP16 TFLOPS sull'architettura Hopper, rendendola l'opzione GPU singola piu veloce per l'inferenza di grandi modelli linguistici. Gestisce modelli fino a 70B parametri con elevato throughput. Progettata per team datacenter che eseguono carichi di lavoro IA impegnativi in produzione.
Requisiti Hardware
| Dimensione del modello | 38.51 GB |
| VRAM disponibile | 80 GB |
| VRAM utilizzata | 49.8 GB |
| RAM di sistema | 350 GB |
| RAM min richiesta | 0 GB |
| Livelli GPU | 80 / 80 |
| Dimensione del contesto | 32.768 |
| Backend | cuda13 |
| Flash attention | Sì |
| Lettura da disco | Sì |
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/q4_0/nvidia-h100-80gb.yaml) applyFile values.yaml
/values/qwen2-5-72b-instruct/q4_0/nvidia-h100-80gb.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Qwen2.5 72B Instruct (Q4_0)?
La quantizzazione Q4_0 di Qwen2.5 72B Instruct richiede 38.51 GB. Tutti i 80 livelli entrano nei 80 GB di VRAM disponibili su OVH h100-1-gpu, consentendo un'accelerazione GPU completa.
Posso eseguire Qwen2.5 72B Instruct su OVH h100-1-gpu?
Sì. OVH h100-1-gpu offre 80 GB di VRAM, sufficienti per eseguire Qwen2.5 72B Instruct (Q4_0) con tutti i livelli sulla GPU per prestazioni ottimali.
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. Q4_0 comprime Qwen2.5 72B Instruct dalla sua dimensione originale a 38.51 GB.
Quale quantizzazione scegliere per Qwen2.5 72B Instruct?
Q4_0 è una quantizzazione di qualità media. 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 OVH h100-1-gpu, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 80 GB di VRAM disponibili.
Come eseguire Qwen2.5 72B Instruct (Q4_0) con Ollama?
Esegui ollama run qwen2.5:72b-instruct-q4_0 per avviare Qwen2.5 72B Instruct (Q4_0). Ollama scarica automaticamente i pesi del modello al primo avvio.