Arrakis / Modèles / Qwen2.5-32B-Instruct

Besoins GPU de Qwen2.5-32B-Instruct

Qwen2.5-32B-Instruct compte 33B paramètres. Pour le servir, prévoyez environ 79 Go de mémoire GPU en 16 bits, 39 Go en 8 bits ou 20 Go en 4 bits, dont environ 20 % pour le cache KV et les activations.

Déployer ce modèle Vérifier un autre modèle

Ce qu’il faut pour le servir

La mémoire GPU pour le faire tourner en inférence, avec la plus petite configuration GPU qui le contient et le prix le plus bas sur Arrakis en ce moment.

Précision	Mémoire et plus petite configuration
16 bits	79 Go : un H100 ou A100, la H100 à partir de 2,07 $ par heure de GPU
8 bits	39 Go : un L40S, RTX 6000 Ada ou RTX A6000, la L40S à partir de 0,44 $ par heure de GPU
4 bits	20 Go : un RTX 4090 ou RTX 3090, la RTX 3090 à partir de 0,19 $ par heure de GPU

Ce qu’il faut pour l’affiner

QLoRA entraîne des adaptateurs sur un modèle figé en 4 bits, LoRA sur un modèle en 16 bits, et le fine-tuning complet met à jour tous les poids. Les chiffres s’entendent hors activations, qui augmentent avec la taille des lots et la longueur des séquences.

Méthode	Mémoire et plus petite configuration
QLoRA	23 Go : un RTX 4090 ou RTX 3090, la RTX 3090 à partir de 0,19 $ par heure de GPU
LoRA	79 Go : un H100 ou A100, la H100 à partir de 2,07 $ par heure de GPU
Fine-tuning complet	524 Go : 4 × H200, à partir de 13,76 $ de l’heure pour les 4

À propos du modèle

D’après sa fiche et ses fichiers sur Hugging Face. Les chiffres de mémoire suivent le guide de la mémoire GPU.

Paramètres: 33B
Fenêtre de contexte (tokens): 32,768
Publié en: BF16
Licence: apache-2.0
Date de publication: 2024-09-17
Poids: Qwen/Qwen2.5-32B-Instruct

Déployez-le sur Arrakis

Ouvrez Models dans la console, choisissez vLLM, SGLang ou llama.cpp, et louez un GPU sur lequel il tient. Vous obtenez un endpoint compatible OpenAI avec sa propre clé d’API, et un accès SSH root à la machine. Ou faites-le tourner vous-même sur n’importe quelle machine avec assez de mémoire GPU :

vLLM

vllm serve Qwen/Qwen2.5-32B-Instruct --tensor-parallel-size 1

Déployer ce modèle Comment fonctionne le déploiement

Questions

Les prix en temps réel de tous les GPU sont sur la page Prix des GPU.

De combien de mémoire GPU Qwen2.5-32B-Instruct a-t-il besoin ?

Pour le servir, environ 79 Go en 16 bits, 39 Go en 8 bits et 20 Go en 4 bits, dont environ 20 % pour le cache KV et les activations. Pour l’affiner, environ 23 Go avec QLoRA, 79 Go avec LoRA et 524 Go pour un fine-tuning complet avec Adam, hors activations.

Puis-je faire tourner Qwen2.5-32B-Instruct sur un seul GPU ?

Oui. En 16 bits, il lui faut environ 79 Go, ce qui tient sur un H100 ou A100.

Combien coûte l’exécution de Qwen2.5-32B-Instruct ?

En 16 bits, il lui faut un H100 ou A100 ; en 4 bits, un RTX 4090 ou RTX 3090. Chaque configuration de cette page affiche le prix le plus bas par heure de GPU sur Arrakis en ce moment, et vous payez à l’heure depuis un solde prépayé.

Comment déployer Qwen2.5-32B-Instruct sur Arrakis ?

Ouvrez Models dans la console Arrakis, collez Qwen/Qwen2.5-32B-Instruct, choisissez vLLM, SGLang ou llama.cpp, et louez un GPU sur lequel il tient. Vous obtenez un endpoint compatible OpenAI avec sa propre clé d’API, et un accès SSH root à la machine.

Plus de modèles

Tous les modèles, et une vérification pour n’importe quel autre.