Qwen2.5 72B Instruct (Q5_K_M) — 59.4 GBsu Apple M4 Max 128GB
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 Q5_K_M (livello di qualità medium), il modello pesa 48.1 GB. Questo rientra nei 128 GB di VRAM di Apple M4 Max 128GB, consentendo l'inferenza completa su GPU.
Requisiti Hardware
| Dimensione del modello | 48.1 GB |
| VRAM disponibile | 128 GB |
| VRAM utilizzata | 59.4 GB |
| RAM di sistema | |
| RAM min richiesta | 0 GB |
| Livelli GPU | 80 / 80 |
| Dimensione del contesto | 32.768 |
| Backend | metal |
| Flash attention | Sì |
| Lettura da disco | Sì |
Distribuzione
Installa llama.cpp
brew install llama.cppScarica modello
curl -L -o qwen2-5-72b-instruct.gguf "https://huggingface.co/Qwen/Qwen2.5-72B-Instruct-GGUF/resolve/main/qwen2.5-72b-instruct-q5_k_m-00001-of-00014.gguf"Avvia server
llama-server \
-m qwen2-5-72b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 32768 \
--flash-attnVerifica
curl http://localhost:8080/healthDomande frequenti
Quanta VRAM serve per Qwen2.5 72B Instruct (Q5_K_M)?
La quantizzazione Q5_K_M di Qwen2.5 72B Instruct richiede 48.1 GB. Tutti i 80 livelli entrano nei 128 GB di VRAM disponibili su Apple M4 Max 128GB, consentendo un'accelerazione GPU completa.
Posso eseguire Qwen2.5 72B Instruct su Apple M4 Max 128GB?
Sì. Apple M4 Max 128GB offre 128 GB di VRAM, sufficienti per eseguire Qwen2.5 72B Instruct (Q5_K_M) 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. Q5_K_M comprime Qwen2.5 72B Instruct dalla sua dimensione originale a 48.1 GB.
Quale quantizzazione scegliere per Qwen2.5 72B Instruct?
Q5_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 Apple M4 Max 128GB, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 128 GB di VRAM disponibili.
Come eseguire Qwen2.5 72B Instruct (Q5_K_M) con Ollama?
Esegui ollama run qwen2.5:72b-instruct-q5_k_m per avviare Qwen2.5 72B Instruct (Q5_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.