VRAMLab

Cohere Command A (111B) — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden

Cohere Command A (111B) (Cohere, CC-BY-NC-4.0) nutzt eine Dichter Transformer-Architektur mit 111B residenten Parametern (111B aktiv pro Token), 64 Schichten und Hybride Sliding-Window-Attention (SWA) für bis zu 262,144 Kontext-Tokens.

Im VRAM-Rechner öffnen → vLLM- / Ollama-Config erzeugen → Eigene GPU vs. API vergleichen → Live-API-Tokenpreise auf DevToken vergleichen →

Interaktiver Speicher- & Kontextsimulator für Cohere Command A (111B)

32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Knapp (>90 % nutzbar)
Modellgewichte: 90.9% KV: 4% Overhead: 5.1%
Gesamter Speicherbedarf
68.94 GB
Belegung pro Gerät: 68.94 GB
Modellgewichte
62.67 GB
KV-Cache (FP16): 2.75 GB
Gesch. Einzelstream-Decode
19.2 tok/s
Runtime- & TP-Overhead: 3.52 GB
Max. Kontext vor OOM
46,684
Tokens

Architekturbedingte KV-Komprimierung spart 97.1 % gegenüber naiver MHA FP16 (96.00 GB).

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Gesamter GPU-Speicherbedarf nach Gewichtspräzision und Kontextlänge (Batch = 1, FP16-KV-Cache)
Präzision / Format Effektive bpw Nur Gewichte Gesamt @ 8K Gesamt @ 32K Gesamt @ 128K Empfohlene Klasse (@ 32K)
FP16 / BF16 16.00 bpw 206.75 GB 215.85 GB 217.35 GB 223.35 GB Mac Studio 512GB
FP8 8.50 bpw 109.84 GB 116.02 GB 117.52 GB 123.52 GB NVIDIA H200 141GB
Q8_0 8.50 bpw 109.84 GB 116.02 GB 117.52 GB 123.52 GB NVIDIA H200 141GB
Q6_K 6.56 bpw 84.77 GB 90.20 GB 91.70 GB 97.70 GB RTX PRO 6000 96GB
Q5_K_M 5.69 bpw 73.53 GB 78.62 GB 80.12 GB 86.12 GB RTX PRO 6000 96GB
Q4_K_M 4.85 bpw 62.67 GB 67.44 GB 68.94 GB 74.94 GB NVIDIA A100 80GB
AWQ INT4 4.50 bpw 58.15 GB 62.78 GB 64.28 GB 70.28 GB NVIDIA A100 80GB
IQ4_XS 4.25 bpw 54.92 GB 59.46 GB 60.96 GB 66.96 GB NVIDIA A100 80GB

Hardware-Kompatibilität & Decode-Geschwindigkeit (Cohere Command A (111B) @ Q4_K_M, 32K Kontext)

Passstatus, Speicherauslastung und geschätzter Decode-Durchsatz auf führenden GPUs und Apple Silicon
Hardware-Klasse Speicher & Bandbreite Benötigt (32K) Bewertung Gesch. Decode-Rate
RTX 3090 24GB 24 GB · 936 GB/s 68.94 GB (287%) Zu wenig Speicher (OOM) —
RTX 4090 24GB 24 GB · 1008 GB/s 68.94 GB (287%) Zu wenig Speicher (OOM) —
RTX 5090 32GB 32 GB · 1792 GB/s 68.94 GB (215%) Zu wenig Speicher (OOM) —
Apple M-Max 64GB 64 GB · 546 GB/s 67.66 GB (106%) Zu wenig Speicher (OOM) —
Mac Studio 128GB 128 GB · 546 GB/s 67.66 GB (53%) Passt komfortabel 4.6 tok/s
Mac Studio 192GB 192 GB · 800 GB/s 67.66 GB (35%) Passt komfortabel 6.7 tok/s
NVIDIA A100 80GB 80 GB · 2039 GB/s 68.94 GB (86%) Knapp (>90 % nutzbar) 19.2 tok/s
NVIDIA H100 80GB 80 GB · 3350 GB/s 68.94 GB (86%) Knapp (>90 % nutzbar) 31.6 tok/s

Geprüfte Transformer-Architekturparameter

Checkpoint ID
CohereForAI/c4ai-command-a-03-2025
Ollama Tag
command-a:111b
License / Release
CC-BY-NC-4.0 · 2025-Q1
Topologie & Attention
Dichter Transformer
Aufmerksamkeitsmechanismus
Hybride Sliding-Window-Attention (SWA)
Gesamtparameter (Mrd.)
111B
Aktive Parameter / Token (Mrd.)
111B
Verborgene Schichten / Hidden-Dimension
64 / 12288
Query-Heads / KV-Heads
96Q / 8KV (d=128)
Sliding Window
4096 (75% local)
Vocab / Max Position
256,000 / 262,144

Quantisierte Formate speichern blockweise Skalierungsfaktoren und Nullpunkte neben gepackten Ganzzahlgewichten. Ein 4-Bit-GGUF-Checkpoint in Q4_K_M benötigt im Schnitt 4.85 effektive Bits pro Parameter (nicht 4.00), während Q8_0 bei 8.50 bpw liegt. Bei Mixture-of-Experts-Modellen bleiben sämtliche gerouteten und geteilten Experten im Speicher resident, um Host-Paging bei jedem Token zu verhindern.

Standard-Grouped-Query-Attention reserviert über alle Schichten hinweg 2 × L × H_kv × d_head × S × B × bytes_kv. DeepSeek Multi-head Latent Attention (MLA) komprimiert Keys und Values auf L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv und senkt den Speicherbedarf langer Kontexte um über 90 %. Hybride Sliding-Window-Modelle deckeln lokale Schichten bei min(S, window_size), während globale Schichten linear mit S wachsen.

Schnellstart-Befehle für vLLM & Ollama (Cohere Command A (111B))

vLLM CLI (NVIDIA A100 80GB) 
vllm serve CohereForAI/c4ai-command-a-03-2025 \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000
Ollama Modelfile 
# Save as Modelfile, then run: ollama create command-a-111b-custom -f Modelfile
FROM command-a:111b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Verwandte & ähnlich große Open-Weight-Modelle vergleichen

Llama 4 Scout (109B / 17B-16E MoE)

Meta Llama · 109B (HYBRID_SWA)

67.2 GB @ Q4_K_M · NVIDIA A100 80GB

Mistral Large 2411 (123B)

Mistral · 123B (GQA)

84.2 GB @ Q4_K_M · RTX PRO 6000 96GB

Qwen2.5-72B-Instruct

Qwen · 72.7B (GQA)

53.7 GB @ Q4_K_M · NVIDIA A100 80GB

DeepSeek-R1-Distill-Llama-70B

DeepSeek · 70.6B (GQA)

52.5 GB @ Q4_K_M · NVIDIA A100 80GB

Llama 3.3 70B Instruct

Meta Llama · 70.6B (GQA)

52.5 GB @ Q4_K_M · NVIDIA A100 80GB

DeepSeek-R1-Distill-Qwen-32B

DeepSeek · 32.8B (GQA)

28.3 GB @ Q4_K_M · RTX 5090 32GB