Qwen2.5-72B-Instruct — Requisitos de VRAM, matriz de cuantización y guía de GPU
Qwen2.5-72B-Instruct (Qwen, Qwen License) es una arquitectura Transformer denso con 72.7B parámetros residentes (72.7B activos por token), 80 capas y Atención de consulta agrupada (GQA) compatible con hasta 32,768 tokens de contexto.
Simulador interactivo de memoria y contexto para Qwen2.5-72B-Instruct
Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)
| Precisión / Formato | bpw efectivos | Solo pesos | Total @ ctx 8K | Total @ ctx 32K | Total @ ctx 128K | Nivel recomendado (@ 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 |
Compatibilidad de hardware y velocidad de decodificación (Qwen2.5-72B-Instruct @ Q4_K_M, contexto 32K)
| Nivel de hardware | Memoria y ancho de banda | Requerido (32K) | Veredicto de ajuste | Velocidad est. decodificación |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 53.67 GB (224%) | Memoria insuficiente (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 53.67 GB (224%) | Memoria insuficiente (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 53.67 GB (168%) | Memoria insuficiente (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 52.71 GB (82%) | Requiere sysctl wired_limit | 5.9 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 52.71 GB (41%) | Cabe con holgura | 5.9 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 52.71 GB (28%) | Cabe con holgura | 8.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 53.67 GB (67%) | Cabe con holgura | 24.6 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 53.67 GB (67%) | Cabe con holgura | 40.5 tok/s |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- Qwen/Qwen2.5-72B-Instruct
- Ollama Tag
- qwen2.5:72b
- License / Release
- Qwen License · 2024-Q4
- Topología y atención
- Transformer denso
- Mecanismo de atención
- Atención de consulta agrupada (GQA)
- Parámetros totales (B)
- 72.7B
- Parámetros activos / token (B)
- 72.7B
- Capas ocultas / Tamaño oculto
- 80 / 8192
- Cabezas de consulta / Cabezas KV
- 64Q / 8KV (d=128)
- Vocab / Max Position
- 152,064 / 32,768
Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.
La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.
Comandos rápidos de vLLM y Ollama para 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 serveComparar modelos hermanos y de escala similar de pesos abiertos
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)