Qwen2.5 7B Instruct (Q3_K_M) — 6.6 GBsu OVH ai1-1-GPU

Code Multilingual Tool Calls

Q3_K_M OVH ai1-1-GPU

Panoramica

Qwen2.5 7B Instruct è un modello linguistico dense da 7.62B parametri di Qwen, con capacità di code, multilingual, tool-calls. Supporta una finestra di contesto fino a 32,768 token.

Qwen2.5 7B Instruct e un trasformatore denso da 7,62 miliardi di parametri del team Qwen di Alibaba, perfezionato per il seguimento di istruzioni, la generazione di codice e la conversazione multilingue. Si posiziona tra i modelli instruct 7B piu performanti, con un'ampia copertura linguistica di 14 lingue tra cui inglese, cinese, giapponese e arabo. Il modello supporta "tool calling" e output strutturato in modo nativo. Con una finestra di contesto da 32K e "flash attention", funziona in modo efficiente su GPU consumer e si quantizza bene per deployment self-hosted leggeri.

Con la quantizzazione Q3_K_M (livello di qualità low), il modello pesa 3.55 GB. Questo rientra nei 32 GB di VRAM di OVH ai1-1-GPU, consentendo l'inferenza completa su GPU.

Requisiti Hardware

Dimensione del modello	3.55 GB
VRAM disponibile	32 GB
VRAM utilizzata	6.6 GB
RAM di sistema	40 GB
RAM min richiesta	0 GB
Livelli GPU	28 / 28
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_toolkit

Comando

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-7b-instruct/q3_k_m/nvidia-v100s.yaml) apply

File `values.yaml`

/values/qwen2-5-7b-instruct/q3_k_m/nvidia-v100s.yaml

Caricamento valori…

Installa llama.cpp

Installa llama.cpp dalle istruzioni di compilazione ufficiali per la tua piattaforma e backend.

Scarica modello

curl -L -o qwen2-5-7b-instruct.gguf "https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q3_k_m.gguf"

Avvia server

llama-server \
  -m qwen2-5-7b-instruct.gguf \
  --n-gpu-layers 28 \
  --ctx-size 32768 \
  --flash-attn

Verifica

curl http://localhost:8080/health

Domande frequenti

Quanta VRAM serve per Qwen2.5 7B Instruct (Q3_K_M)?

La quantizzazione Q3_K_M di Qwen2.5 7B Instruct richiede 3.55 GB. Tutti i 28 livelli entrano nei 32 GB di VRAM disponibili su OVH ai1-1-GPU, consentendo un'accelerazione GPU completa.

Posso eseguire Qwen2.5 7B Instruct su OVH ai1-1-GPU?

Sì. OVH ai1-1-GPU offre 32 GB di VRAM, sufficienti per eseguire Qwen2.5 7B Instruct (Q3_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. Q3_K_M comprime Qwen2.5 7B Instruct dalla sua dimensione originale a 3.55 GB.

Quale quantizzazione scegliere per Qwen2.5 7B Instruct?

Q3_K_M è una quantizzazione di bassa qualità. 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 7B Instruct su OVH ai1-1-GPU, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 32 GB di VRAM disponibili.

Come eseguire Qwen2.5 7B Instruct (Q3_K_M) con Ollama?

Esegui ollama run qwen2.5:7b-instruct-q3_k_m per avviare Qwen2.5 7B Instruct (Q3_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.

Ultimo aggiornamento: 5 marzo 2026