Qwen2.5-72B-Instruct — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden
Qwen2.5-72B-Instruct (Qwen, Qwen License) nutzt eine Dichter Transformer-Architektur mit 72.7B residenten Parametern (72.7B aktiv pro Token), 80 Schichten und Grouped-Query Attention (GQA) für bis zu 32,768 Kontext-Tokens.
Interaktiver Speicher- & Kontextsimulator für Qwen2.5-72B-Instruct
Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)
| Präzision / Format | Effektive bpw | Nur Gewichte | Gesamt @ 8K | Gesamt @ 32K | Gesamt @ 128K | Empfohlene Klasse (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 135.41 GB | 143.37 GB | 150.87 GB | 180.87 GB | Mac Studio 512GB |
| FP8 | 8.50 bpw | 71.94 GB | 77.99 GB | 85.49 GB | 115.49 GB | RTX PRO 6000 96GB |
| Q8_0 | 8.50 bpw | 71.94 GB | 77.99 GB | 85.49 GB | 115.49 GB | RTX PRO 6000 96GB |
| Q6_K | 6.56 bpw | 55.52 GB | 61.08 GB | 68.58 GB | 98.58 GB | NVIDIA A100 80GB |
| Q5_K_M | 5.69 bpw | 48.16 GB | 53.49 GB | 60.99 GB | 90.99 GB | NVIDIA A100 80GB |
| Q4_K_M | 4.85 bpw | 41.05 GB | 46.17 GB | 53.67 GB | 83.67 GB | NVIDIA A100 80GB |
| AWQ INT4 | 4.50 bpw | 38.09 GB | 43.12 GB | 50.62 GB | 80.62 GB | NVIDIA A100 80GB |
| IQ4_XS | 4.25 bpw | 35.97 GB | 40.94 GB | 48.44 GB | 78.44 GB | Apple M-Max 64GB |
Hardware-Kompatibilität & Decode-Geschwindigkeit (Qwen2.5-72B-Instruct @ Q4_K_M, 32K Kontext)
| Hardware-Klasse | Speicher & Bandbreite | Benötigt (32K) | Bewertung | Gesch. Decode-Rate |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 53.67 GB (224%) | Zu wenig Speicher (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 53.67 GB (224%) | Zu wenig Speicher (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 53.67 GB (168%) | Zu wenig Speicher (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 52.71 GB (82%) | Erfordert sysctl wired_limit | 5.9 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 52.71 GB (41%) | Passt komfortabel | 5.9 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 52.71 GB (28%) | Passt komfortabel | 8.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 53.67 GB (67%) | Passt komfortabel | 24.6 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 53.67 GB (67%) | Passt komfortabel | 40.5 tok/s |
Geprüfte Transformer-Architekturparameter
- Checkpoint ID
- Qwen/Qwen2.5-72B-Instruct
- Ollama Tag
- qwen2.5:72b
- License / Release
- Qwen License · 2024-Q4
- Topologie & Attention
- Dichter Transformer
- Aufmerksamkeitsmechanismus
- Grouped-Query Attention (GQA)
- Gesamtparameter (Mrd.)
- 72.7B
- Aktive Parameter / Token (Mrd.)
- 72.7B
- Verborgene Schichten / Hidden-Dimension
- 80 / 8192
- Query-Heads / KV-Heads
- 64Q / 8KV (d=128)
- Vocab / Max Position
- 152,064 / 32,768
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 (Qwen2.5-72B-Instruct)
vllm serve Qwen/Qwen2.5-72B-Instruct \
--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# Save as Modelfile, then run: ollama create qwen2-5-72b-custom -f Modelfile
FROM qwen2.5:72b
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 serveVerwandte & ähnlich große Open-Weight-Modelle vergleichen
Qwen3-32B
Qwen · 32.8B (GQA)
QwQ-32B (Reasoning)
Qwen · 32.8B (GQA)
Qwen2.5-Coder-32B-Instruct
Qwen · 32.8B (GQA)
Qwen3-30B-A3B (MoE)
Qwen · 30.5B (GQA)
Qwen3-14B
Qwen · 14.8B (GQA)
Qwen3-8B
Qwen · 8.2B (GQA)