Qwen2.5 14B Instruct kaç GB VRAM ister?

Qwen2.5 14B Instruct, 48 katmanda 14,77B parametreye sahiptir. Grouped-query attention kullanır: 40 query head, 8 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 5× küçüktür. En fazla 32.768 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 6,00 GiB KV cache ister.

BF16 · 8k context · tek kullanıcı

31,48 GiB

27,51 GiB ağırlık, 1,50 GiB KV cache ve 2,46 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 13,40 GiB ister.

48 katman
hidden 5120
40/8 heads
head_dim 128
32k maks context

Hassasiyet ve context'e göre Qwen2.5 14B Instruct belleği

Hassasiyet	8k context	32k context
BF16	31,48 GiBKV cache 1,50 GiB	35,98 GiBKV cache 6,00 GiB
FP8	19,17 GiBKV cache 1,50 GiB	23,67 GiBKV cache 6,00 GiB
INT4	13,40 GiBKV cache 1,50 GiB	17,90 GiBKV cache 6,00 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 (31,48 GiB): Apple M4 Pro, A100 40GB, NVIDIA L40S, RTX 6000 Ada
FP8 (19,17 GiB): NVIDIA L4, Apple M4, NVIDIA A30, RTX 3090 / Ti
INT4 (13,40 GiB): NVIDIA T4, RTX 4060 Ti 16GB, RTX 4070 Ti Super, RTX 4080 / Super

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	2	6
RTX 5090	sığmaz	7	11
RTX 6000 Ada	9	17	21
H100 SXM 80GB	28	36	40
RTX PRO 6000 Blackwell	37	46	50
AMD Ryzen AI Max+ 395 (128GB)	38	46	50
H200 141GB	65	73	77
B200 180GB	88	96	100

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

Qwen2.5 14B Instruct ince ayarı

Yöntem	Bellek	En küçük GPU
Tam ince ayar	222,0 GiB	AMD MI325X
LoRA (rank 16, attention)	29,78 GiB	RTX 5090
QLoRA (rank 16, attention)	9,36 GiB	RTX 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. Qwen2.5 14B Instruct için bu, FP16'da token başına 192,0 KiB eder. 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.