LLMScalecanlı Hugging Face verisi
ENTR

Gemma 2 9B IT kaç GB VRAM ister?

Gemma 2 9B IT, 42 katmanda 9,24B parametreye sahiptir. Grouped-query attention kullanır: 16 query head, 8 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 2,63 GiB KV cache ister. Hugging Face deposu erişim onayı gerektirdiği için LLMScale mimarisini yerleşik veritabanında taşır.

BF16 · 8k context · tek kullanıcı
22,48 GiB

17,21 GiB ağırlık, 2,63 GiB KV cache ve 2,64 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 11,09 GiB ister.

  • 42 katman
  • hidden 3584
  • 16/8 heads
  • head_dim 256
  • 8k maks context

Hassasiyet ve context'e göre Gemma 2 9B IT belleği

Hassasiyet8k context
BF1622,48 GiBKV cache 2,63 GiB
FP814,73 GiBKV cache 2,63 GiB
INT411,09 GiBKV cache 2,63 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

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

GPUBF16FP8INT4
RTX 4090sığmaz35
RTX 5090367
RTX 6000 Ada91213
H100 SXM 80GB192224
RTX PRO 6000 Blackwell252829
AMD Ryzen AI Max+ 395 (128GB)252830
H200 141GB414445
B200 180GB545758

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

Gemma 2 9B IT ince ayarı

YöntemBellekEn küçük GPU
Tam ince ayar139,3 GiBApple M2 Ultra
LoRA (rank 16, attention)19,01 GiBNVIDIA L4
QLoRA (rank 16, attention)6,24 GiBRTX 3060

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 9B IT için bu, FP16'da token başına 336,0 KiB eder. 42 katmanının 21 tanesi son 4.096 token'lık kayan pencereye bakar ve bundan fazlasını tutmaz; pencereden sonra eklenen her token, diğer 21 katmanın payı olan 168,0 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.

Gemma 2 9B IT ile çalış

Diğer Gemma modelleri