Qwen2.5 32B Instruct kaç GB VRAM ister?

Qwen2.5 32B Instruct, 64 katmanda 32,76B 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 8,00 GiB KV cache ister.

BF16 · 8k context · tek kullanıcı

65,64 GiB

61,02 GiB ağırlık, 2,00 GiB KV cache ve 2,62 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 22,96 GiB ister.

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

Hassasiyet ve context'e göre Qwen2.5 32B Instruct belleği

Hassasiyet	8k context	32k context
BF16	65,64 GiBKV cache 2,00 GiB	71,64 GiBKV cache 8,00 GiB
FP8	36,58 GiBKV cache 2,00 GiB	42,58 GiBKV cache 8,00 GiB
INT4	22,96 GiBKV cache 2,00 GiB	28,96 GiBKV cache 8,00 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 (65,64 GiB): A100 80GB, H100 SXM 80GB, H100 PCIe 80GB, H100 NVL 94GB
FP8 (36,58 GiB): NVIDIA L40S, RTX 6000 Ada, RTX A6000, AMD Ryzen AI Max+ 395 (64GB)
INT4 (22,96 GiB): RTX 5090, Apple M4 Pro, A100 40GB, NVIDIA L40S

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	sığmaz
RTX 5090	sığmaz	sığmaz	3
RTX 6000 Ada	sığmaz	4	11
H100 SXM 80GB	4	18	25
RTX PRO 6000 Blackwell	11	26	32
AMD Ryzen AI Max+ 395 (128GB)	12	26	33
H200 141GB	32	46	53
B200 180GB	48	63	69

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

Qwen2.5 32B Instruct ince ayarı

Yöntem	Bellek	En küçük GPU
Tam ince ayar	490,4 GiB	birden çok GPU, paylaştırılmış
LoRA (rank 16, attention)	63,71 GiB	RTX PRO 5000 Blackwell (72GB)
QLoRA (rank 16, attention)	18,43 GiB	NVIDIA L4

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 32B Instruct için bu, FP16'da token başına 256,0 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.