Qwen2.5-72B-Instruct — 必要VRAM・量子化マトリクス & 推奨GPUガイド
Qwen2.5-72B-Instruct（Qwen、Qwen License）は常駐パラメータ 72.7B（トークンあたり有効 72.7B）、80 層、最大 32,768 コンテキストトークンに対応する グループ化クエリアテンション (GQA) 採用の Dense Transformer（密モデル） アーキテクチャです。
Qwen2.5-72B-Instruct インタラクティブ・メモリ & コンテキストシミュレーター
精度・量子化別 VRAMマトリクス（8K / 32K / 128K コンテキスト）
| 精度 / 形式 | 実効 bpw | 重みのみ | 合計 @ 8K ctx | 合計 @ 32K ctx | 合計 @ 128K ctx | 推奨構成 (@ 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 |
ハードウェア互換性 & デコード速度（Qwen2.5-72B-Instruct @ Q4_K_M, 32K コンテキスト）
| ハードウェア構成 | メモリ & 帯域幅 | 必要量 (32K) | 収容判定 | 推定デコード速度 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 53.67 GB (224%) | メモリ不足 (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 53.67 GB (224%) | メモリ不足 (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 53.67 GB (168%) | メモリ不足 (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 52.71 GB (82%) | sysctl wired_limit 要調整 | 5.9 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 52.71 GB (41%) | 余裕で収容可能 | 5.9 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 52.71 GB (28%) | 余裕で収容可能 | 8.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 53.67 GB (67%) | 余裕で収容可能 | 24.6 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 53.67 GB (67%) | 余裕で収容可能 | 40.5 tok/s |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- Qwen/Qwen2.5-72B-Instruct
- Ollama Tag
- qwen2.5:72b
- License / Release
- Qwen License · 2024-Q4
- 構造 & アテンション
- Dense Transformer（密モデル）
- アテンション機構
- グループ化クエリアテンション (GQA)
- 総パラメータ数 (B)
- 72.7B
- 有効パラメータ / Token (B)
- 72.7B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 80 / 8192
- クエリヘッド数 / KVヘッド数
- 64Q / 8KV (d=128)
- Vocab / Max Position
- 152,064 / 32,768
量子化フォーマットはパックされた整数重みに加えてブロック単位のスケール係数とゼロポイントを保持します。4bit GGUF の Q4_K_M はパラメータあたり平均 4.85 実効ビット（4.00ではない）、Q8_0 は平均 8.50 bpw を消費します。Mixture-of-Experts モデルではトークンごとのホストページングを防ぐため、ルーティング対象および共有エキスパートのすべてがメモリ上に常駐します。
標準的な Grouped-Query Attention は全層で 2 × L × H_kv × d_head × S × B × bytes_kv を確保します。DeepSeek Multi-head Latent Attention (MLA) はKeyとValueを L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv へ圧縮し、長文脈メモリを90%以上削減します。ハイブリッド・スライディングウィンドウはローカル層の消費を min(S, window_size) に抑えつつグローバル層のみ S に比例して拡張します。
Qwen2.5-72B-Instruct 用 vLLM & Ollama クイック起動コマンド
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 serve同系列・同規模のオープンウェイトモデルを比較
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)