Qwen2.5 72B Instruct (Q4_K_M) — 31.4 GBsu NVIDIA V100S
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_K_M (livello di qualità medium), il modello pesa 40.97 GB. Questo supera i 32 GB di VRAM di NVIDIA V100S. L'inferenza è comunque possibile tramite scaricamento su CPU o caricamento mappato in memoria dal disco, ma con prestazioni notevolmente ridotte.
Requisiti Hardware
| Dimensione del modello | 40.97 GB |
| VRAM disponibile | 32 GB |
| VRAM utilizzata | 31.4 GB |
| RAM di sistema | |
| RAM min richiesta | 11.3 GB |
| Livelli GPU | 58 / 80 |
| Dimensione del contesto | 1481 |
| 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/q4_k_m/nvidia-v100s.yaml) applyFile values.yaml
/values/qwen2-5-72b-instruct/q4_k_m/nvidia-v100s.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Qwen2.5 72B Instruct (Q4_K_M)?
La quantizzazione Q4_K_M di Qwen2.5 72B Instruct richiede 40.97 GB. 58 dei 80 livelli entrano nei 32 GB di VRAM di NVIDIA V100S; i livelli rimanenti vengono scaricati sulla CPU.
Posso eseguire Qwen2.5 72B Instruct su NVIDIA V100S?
Sì, con prestazioni ridotte. NVIDIA V100S può eseguire Qwen2.5 72B Instruct (Q4_K_M), ma solo 58 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. Q4_K_M comprime Qwen2.5 72B Instruct dalla sua dimensione originale a 40.97 GB.
Quale quantizzazione scegliere per Qwen2.5 72B Instruct?
Q4_K_M 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 NVIDIA V100S, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 32 GB di VRAM disponibili.
Perché alcuni livelli vengono scaricati sulla CPU?
NVIDIA V100S ha 32 GB di VRAM, ma Qwen2.5 72B Instruct (Q4_K_M) richiede circa 40.97 GB. Solo 58 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 (Q4_K_M) con Ollama?
Esegui ollama run qwen2.5:72b-instruct-q4_k_m per avviare Qwen2.5 72B Instruct (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.