Gemma 2 27B IT kaç GB VRAM ister?

Gemma 2 27B IT, 46 katmanda 27,20B parametreye sahiptir. Grouped-query attention kullanır: 32 query head, 16 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 2× küçüktür. En fazla 8.192 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 2,88 GiB KV cache ister. Hugging Face deposu erişim onayı gerektirdiği için LLMScale mimarisini yerleşik veritabanında taşır.

BF16 · 8k context · tek kullanıcı

56,79 GiB

50,66 GiB ağırlık, 2,88 GiB KV cache ve 3,25 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 21,19 GiB ister.

46 katman
hidden 4608
32/16 heads
head_dim 128
8k maks context

Hassasiyet ve context'e göre Gemma 2 27B IT belleği

Hassasiyet	8k context
BF16	56,79 GiBKV cache 2,88 GiB
FP8	32,55 GiBKV cache 2,88 GiB
INT4	21,19 GiBKV cache 2,88 GiB

Tek kullanıcı, FP16 KV cache ve 70 GB altı bir kartın varsayılanlarıyla tek GPU'da vLLM'in ek yükü. Quantization ağırlıkları küçültür, KV cache'i değil; bu yüzden context büyüdükçe kazanç daralır.

Onu tek başına taşıyan GPU'lar

BF16 (56,79 GiB): AMD MI210, RTX PRO 5000 Blackwell (72GB), A100 80GB, H100 SXM 80GB
FP8 (32,55 GiB): Apple M4 Pro, A100 40GB, NVIDIA L40S, RTX 6000 Ada
INT4 (21,19 GiB): Apple M4, NVIDIA A30, RTX 3090 / Ti, RTX 4090

8k context ve tek kullanıcı için, en küçük kartlar önce. Ayrık kartlarda vLLM'in varsayılanı olan bellek payı %92, unified bellekli cihazlarda GPU'nun kullanabildiği pay hesaba katılır; her cihaz kendi varsayılanlarıyla vLLM'in ek yükünü taşır.

Kaç kullanıcı sığar

GPU	BF16	FP8	INT4
RTX 4090	sığmaz	sığmaz	1
RTX 5090	sığmaz	sığmaz	3
RTX 6000 Ada	sığmaz	4	8
H100 SXM 80GB	6	14	18
RTX PRO 6000 Blackwell	11	19	23
AMD Ryzen AI Max+ 395 (128GB)	11	20	24
H200 141GB	25	34	38
B200 180GB	37	45	49

Kullanıcı başına 8k context ile, tek kartta. ✗: ağırlıklar tek bir kullanıcıya bile yer bırakmıyor.

Gemma 2 27B IT ince ayarı

Yöntem	Bellek	En küçük GPU
Tam ince ayar	407,1 GiB	birden çok GPU, paylaştırılmış
LoRA (rank 16, attention)	52,78 GiB	NVIDIA Jetson AGX Orin (64GB)
QLoRA (rank 16, attention)	15,18 GiB	RTX 4060 Ti 16GB

Dizi uzunluğu 2.048, batch 1, gradient checkpointing açık, Adam. Tam ince ayar aktivasyonlardan önce parametre başına 16 byte tutar; QLoRA dondurulmuş temel modeli 4-bit NF4 olarak saklar.

Sayılar nereden geliyor

Ağırlıklar parametre × parametre başına byte olur. KV cache 2 × katman × key-value head × head boyutu × byte × context × kullanıcı olur. Gemma 2 27B IT için bu, FP16'da token başına 368,0 KiB eder. 46 katmanının 23 tanesi son 4.096 token'lık kayan pencereye bakar ve bundan fazlasını tutmaz; pencereden sonra eklenen her token, diğer 23 katmanın payı olan 184,0 KiB ekler. Bunlar kapasite planlama sayılarıdır: servis motoru — vLLM, TGI, llama.cpp — ve paged-attention verimliliği gerçek değeri yine değiştirir.

Daha fazlası: KV cache boyutu ve GQA, MQA ve MLA.