Qwen2.5 7B Instruct (Q4_K_M) — 7.4 GBsu NVIDIA L4
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 Q4_K_M (livello di qualità medium), il modello pesa 4.36 GB. Questo rientra nei 24 GB di VRAM di NVIDIA L4, consentendo l'inferenza completa su GPU.
La NVIDIA L4 e una GPU datacenter per inferenza con 24 GB di GDDR6 VRAM e 300 GB/s di larghezza di banda della memoria. Offre 121 FP16 TFLOPS con architettura Ada Lovelace. Progettata per carichi di inferenza efficienti e a basso consumo in deployment cloud ed edge. Gestisce modelli quantizzati fino a 20B parametri.
Requisiti Hardware
| Dimensione del modello | 4.36 GB |
| VRAM disponibile | 24 GB |
| VRAM utilizzata | 7.4 GB |
| RAM di sistema | |
| 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_toolkitComando
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/qwen2-5-7b-instruct/q4_k_m/nvidia-l4.yaml) applyFile values.yaml
/values/qwen2-5-7b-instruct/q4_k_m/nvidia-l4.yaml
Caricamento valori…Domande frequenti
Quanta VRAM serve per Qwen2.5 7B Instruct (Q4_K_M)?
La quantizzazione Q4_K_M di Qwen2.5 7B Instruct richiede 4.36 GB. Tutti i 28 livelli entrano nei 24 GB di VRAM disponibili su NVIDIA L4, consentendo un'accelerazione GPU completa.
Posso eseguire Qwen2.5 7B Instruct su NVIDIA L4?
Sì. NVIDIA L4 offre 24 GB di VRAM, sufficienti per eseguire Qwen2.5 7B Instruct (Q4_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. Q4_K_M comprime Qwen2.5 7B Instruct dalla sua dimensione originale a 4.36 GB.
Quale quantizzazione scegliere per Qwen2.5 7B 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 7B Instruct su NVIDIA L4, flash attention è attivato per massimizzare la lunghezza del contesto e il throughput nei 24 GB di VRAM disponibili.
Come eseguire Qwen2.5 7B Instruct (Q4_K_M) con Ollama?
Esegui ollama run qwen2.5:7b-instruct-q4_k_m per avviare Qwen2.5 7B Instruct (Q4_K_M). Ollama scarica automaticamente i pesi del modello al primo avvio.