VRAMLab

Cohere Command A (111B) — Besoins VRAM, matrice de quantification et guide GPU

Cohere Command A (111B) (Cohere, CC-BY-NC-4.0) repose sur une architecture Transformer dense comptant 111B paramètres résidents (111B actifs par token), 64 couches et Fenêtre glissante hybride (SWA) prenant en charge jusqu’à 262,144 tokens de contexte.

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API → Comparer les tarifs API en direct sur DevToken →

Simulateur interactif de mémoire et de contexte pour Cohere Command A (111B)

32,768 tokens

Répartition mémoire et plafond de bande passante

Ajusté (>90 % utile)
Poids du modèle: 90.9% KV: 4% Overhead: 5.1%
Mémoire totale requise
68.94 Go
Allocation par périphérique: 68.94 Go
Poids du modèle
62.67 Go
Cache KV (FP16): 2.75 Go
Décodage estimé (1 flux)
19.2 tok/s
Surcharge runtime et TP: 3.52 Go
Contexte max avant OOM
46,684
tokens

La compression KV architecturale économise 97.1 % par rapport au MHA FP16 naïf (96.00 Go).

Matrice VRAM par précision et quantification (contexte 8K / 32K / 128K)

Mémoire GPU totale requise selon la précision des poids et la longueur du contexte (batch = 1, cache KV FP16)
Précision / Format bpw effectifs Poids seuls Total @ ctx 8K Total @ ctx 32K Total @ ctx 128K Palier recommandé (@ 32K)
FP16 / BF16 16.00 bpw 206.75 Go 215.85 Go 217.35 Go 223.35 Go Mac Studio 512GB
FP8 8.50 bpw 109.84 Go 116.02 Go 117.52 Go 123.52 Go NVIDIA H200 141GB
Q8_0 8.50 bpw 109.84 Go 116.02 Go 117.52 Go 123.52 Go NVIDIA H200 141GB
Q6_K 6.56 bpw 84.77 Go 90.20 Go 91.70 Go 97.70 Go RTX PRO 6000 96GB
Q5_K_M 5.69 bpw 73.53 Go 78.62 Go 80.12 Go 86.12 Go RTX PRO 6000 96GB
Q4_K_M 4.85 bpw 62.67 Go 67.44 Go 68.94 Go 74.94 Go NVIDIA A100 80GB
AWQ INT4 4.50 bpw 58.15 Go 62.78 Go 64.28 Go 70.28 Go NVIDIA A100 80GB
IQ4_XS 4.25 bpw 54.92 Go 59.46 Go 60.96 Go 66.96 Go NVIDIA A100 80GB

Compatibilité matérielle et vitesse de décodage (Cohere Command A (111B) @ Q4_K_M, contexte 32K)

Statut de compatibilité, utilisation mémoire et débit de décodage estimé sur les GPU phares et Apple Silicon
Palier matériel Mémoire et bande passante Requis (32K) Compatibilité Débit décodage est.
RTX 3090 24GB 24 Go · 936 GB/s 68.94 Go (287%) Mémoire insuffisante (OOM) —
RTX 4090 24GB 24 Go · 1008 GB/s 68.94 Go (287%) Mémoire insuffisante (OOM) —
RTX 5090 32GB 32 Go · 1792 GB/s 68.94 Go (215%) Mémoire insuffisante (OOM) —
Apple M-Max 64GB 64 Go · 546 GB/s 67.66 Go (106%) Mémoire insuffisante (OOM) —
Mac Studio 128GB 128 Go · 546 GB/s 67.66 Go (53%) Tient confortablement 4.6 tok/s
Mac Studio 192GB 192 Go · 800 GB/s 67.66 Go (35%) Tient confortablement 6.7 tok/s
NVIDIA A100 80GB 80 Go · 2039 GB/s 68.94 Go (86%) Ajusté (>90 % utile) 19.2 tok/s
NVIDIA H100 80GB 80 Go · 3350 GB/s 68.94 Go (86%) Ajusté (>90 % utile) 31.6 tok/s

Paramètres vérifiés de l’architecture Transformer

Checkpoint ID
CohereForAI/c4ai-command-a-03-2025
Ollama Tag
command-a:111b
License / Release
CC-BY-NC-4.0 · 2025-Q1
Topologie et attention
Transformer dense
Mécanisme d’attention
Fenêtre glissante hybride (SWA)
Paramètres totaux (B)
111B
Paramètres actifs / token (B)
111B
Couches cachées / Dimension cachée
64 / 12288
Têtes de requête / Têtes KV
96Q / 8KV (d=128)
Sliding Window
4096 (75% local)
Vocab / Max Position
256,000 / 262,144

Les formats quantifiés stockent des facteurs d’échelle et des points zéro par bloc aux côtés des poids entiers compressés. Un checkpoint GGUF Q4_K_M 4 bits occupe en moyenne 4.85 bits effectifs par paramètre (et non 4.00), tandis que Q8_0 atteint 8.50 bpw. Pour les architectures Mixture-of-Experts, l’ensemble des experts routés et partagés reste résident en mémoire afin d’éviter la pagination hôte à chaque token.

L’attention à requêtes groupées standard alloue 2 × L × H_kv × d_head × S × B × bytes_kv sur l’ensemble des couches. L’attention latente multi-têtes de DeepSeek (MLA) compresse clés et valeurs en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, réduisant de plus de 90 % l’empreinte mémoire sur long contexte. Les modèles hybrides à fenêtre glissante plafonnent les couches locales à min(S, window_size) tout en faisant croître linéairement les couches globales avec S.

Commandes rapides vLLM et Ollama pour Cohere Command A (111B)

CLI vLLM (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
Modelfile Ollama 
# 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

Comparer les modèles proches et de taille similaire à poids ouverts

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

Meta Llama · 109B (HYBRID_SWA)

67.2 Go @ Q4_K_M · NVIDIA A100 80GB

Mistral Large 2411 (123B)

Mistral · 123B (GQA)

84.2 Go @ Q4_K_M · RTX PRO 6000 96GB

Qwen2.5-72B-Instruct

Qwen · 72.7B (GQA)

53.7 Go @ Q4_K_M · NVIDIA A100 80GB

DeepSeek-R1-Distill-Llama-70B

DeepSeek · 70.6B (GQA)

52.5 Go @ Q4_K_M · NVIDIA A100 80GB

Llama 3.3 70B Instruct

Meta Llama · 70.6B (GQA)

52.5 Go @ Q4_K_M · NVIDIA A100 80GB

DeepSeek-R1-Distill-Qwen-32B

DeepSeek · 32.8B (GQA)

28.3 Go @ Q4_K_M · RTX 5090 32GB