Läuft Qwen2.5-7B-Instruct auf GeForce RTX 4090 24GB (desktop)?
Bedingte Speicherbeurteilung für eine Konfiguration. Kontext, Quantisierung oder Engine können die Aussage ändern.
Same 7B model in BF16 on 24GB shows the quantization gap.
Konfiguration auf dieser Seite: bf16, 8.192 gecachte Tokens, 1 Sequenz, Engine vllm.
Status: Passt voraussichtlich. Software: Dokumentiert unterstützt.
Gewichte 14,19 GiB · rohes KV 0,44 GiB · gesamt 15,25 GiB–17,14 GiB.
Verfügbares Budget 22,00 GiB nach der Standardreserve.
Diese Seite ist eine Schätzung, solange keine passende Laufzeitmessung vorliegt.
- Die vollständige Residenzschätzung nutzt die Gesamtparameter, inklusive inaktiver MoE-Experten.
- Gewichtbytes kommen nur von den gewählten Dateien, nicht von allen Quantisierungen im Repository.
- Die Downloadgröße ist nicht der GPU-Spitzenspeicher. Layout, Allocator und KV kommen extra.
- Berücksichtigte Dateien: model.safetensors.index.json metadata.total_size.
- Das Kontextbudget ist die Zahl gecachter Tokens je Sequenz (Prompt plus reservierte Generierung).
- Gleichzeitige Sequenzen teilen eine Modellkopie; Gewichte werden nicht mit der Sequenzzahl multipliziert.
- Der KV-Datentyp ist unabhängig von der Gewichtquantisierung, außer Sie ändern ihn.
- Es werden 4 KV-Köpfe verwendet, nicht 28 Query-Köpfe.
Schätzung
Passt voraussichtlich
Unter den aktuellen Annahmen liegt die obere Schätzung unter 90 % des Budgets.
Geschätzter Speicherbereich: 15,25 GiB – 17,14 GiB
Die Gewichte stammen aus den gewählten Dateimetadaten. Laufzeitanteile bleiben geschätzt.
Verfügbares Budget: 22,00 GiB · Rest nach der Schätzung: 4,86 GiB – 6,75 GiB
Softwareunterstützung
Dokumentiert unterstützt. Genug Speicher bedeutet nicht, dass Engine, Quantisierung und Betriebssystem zusammenlaufen. Unterstützung bedeutet nicht, dass es schnell ist.
Annahmen, die das Ergebnis beeinflussen
- Die vollständige Residenzschätzung nutzt die Gesamtparameter, inklusive inaktiver MoE-Experten.
- Gewichtbytes kommen nur von den gewählten Dateien, nicht von allen Quantisierungen im Repository.
- Die Downloadgröße ist nicht der GPU-Spitzenspeicher. Layout, Allocator und KV kommen extra.
- Berücksichtigte Dateien: model.safetensors.index.json metadata.total_size.
- Das Kontextbudget ist die Zahl gecachter Tokens je Sequenz (Prompt plus reservierte Generierung).
- Gleichzeitige Sequenzen teilen eine Modellkopie; Gewichte werden nicht mit der Sequenzzahl multipliziert.
- Der KV-Datentyp ist unabhängig von der Gewichtquantisierung, außer Sie ändern ihn.
- Es werden 4 KV-Köpfe verwendet, nicht 28 Query-Köpfe.
- Prefill-Spitze und stabiles Decoding sind nicht gleich. Das hohe Szenario liegt näher am Prefill.
- Die Engine-Reserve ist nicht der tatsächliche Verbrauch von Gewichten und KV.
- vLLM reserviert KV oft aus dem restlichen GPU-Speicher. Hier stehen benötigtes KV plus CUDA/Graph, nicht der Restgriff des Allocators.
- PagedAttention-Blockausrichtung kann etwas über dem rohen KV liegen.
- Host-RAM fließt nicht automatisch in dedizierten GPU-Speicher.