VRAM de Qwen2.5-72B-Instruct, Tamanhos GGUF e Guia de GPU

Simulador Interativo de Memória e Contexto para Qwen2.5-72B-Instruct

Quantização de Pesos (bpw)

Precisão do Cache KV

GPU Alvo / Nível de Memória Unificada

Dispositivos (TP)

Tamanho do Contexto (tokens) 32,768 tokens

Detalhamento de Memória e Teto de Largura de Banda

Cabe com Folga

Pesos do Modelo: 76.5% KV: 18.6% Overhead: 4.9%

Memória Total Necessária

53.67 GB

Alocação por Dispositivo: 53.67 GB

Pesos do Modelo

41.05 GB

Cache KV (FP16): 10.00 GB

Decodificação Est. (1 Fluxo)

24.6 tok/s

Sobrecarga de Runtime e TP: 2.62 GB

Contexto Máx. Antes de OOM

110,333

tokens

A compressão arquitetural de KV economiza 87.5% vs MHA FP16 ingênuo (80.00 GB).

Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)

Memória total de GPU exigida por precisão de pesos e tamanho de contexto (batch = 1, cache KV FP16)
Precisão / Formato	bpw Efetivo	Apenas Pesos	Total @ 8K ctx	Total @ 32K ctx	Total @ 128K ctx	Nível 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

Compatibilidade de Hardware e Velocidade de Decodificação (Qwen2.5-72B-Instruct @ Q4_K_M, 32K)

Status de ajuste, uso de memória e vazão estimada de decodificação nas principais GPUs e Apple Silicon
Nível de Hardware	Memória e Banda	Exigido (32K)	Veredito de Ajuste	Velocidade Est.
RTX 3090 24GB	24 GB · 936 GB/s	53.67 GB (224%)	Memória Insuficiente (OOM)	—
RTX 4090 24GB	24 GB · 1008 GB/s	53.67 GB (224%)	Memória Insuficiente (OOM)	—
RTX 5090 32GB	32 GB · 1792 GB/s	53.67 GB (168%)	Memória Insuficiente (OOM)	—
Apple M-Max 64GB	64 GB · 546 GB/s	52.71 GB (82%)	Requer sysctl wired_limit	5.9 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	52.71 GB (41%)	Cabe com Folga	5.9 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	52.71 GB (28%)	Cabe com Folga	8.6 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	53.67 GB (67%)	Cabe com Folga	24.6 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	53.67 GB (67%)	Cabe com Folga	40.5 tok/s

Parâmetros Verificados da Arquitetura Transformer

Checkpoint ID: Qwen/Qwen2.5-72B-Instruct
Ollama Tag: qwen2.5:72b
License / Release: Qwen License · 2024-Q4
Topologia e Atenção: Transformer Denso
Mecanismo de Atenção: Atenção de Consulta Agrupada (GQA)
Parâmetros Totais (B): 72.7B
Parâmetros Ativos / Token (B): 72.7B
Camadas Ocultas / Dimensão Oculta: 80 / 8192
Cabeças de Consulta / Cabeças KV: 64Q / 8KV (d=128)
Vocab / Max Position: 152,064 / 32,768

Formatos quantizados armazenam fatores de escala e pontos zero por bloco junto aos pesos inteiros compactados. Um checkpoint GGUF Q4_K_M de 4 bits tem média de 4,85 bits efetivos por parâmetro (e não 4,00), enquanto Q8_0 tem média de 8,50 bpw. Em modelos Mixture-of-Experts, todos os especialistas roteados e compartilhados permanecem residentes na memória para evitar paginação a cada token.

O Grouped-Query Attention padrão aloca 2 × L × H_kv × d_head × S × B × bytes_kv entre as camadas. O DeepSeek Multi-head Latent Attention (MLA) comprime chaves e valores em L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, cortando a memória de contexto longo em mais de 90%. Modelos híbridos de janela deslizante limitam camadas de atenção local a min(S, window_size) enquanto escalam camadas globais linearmente com S.

Comandos Rápidos de vLLM e 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 serve