Läuft Qwen3-32B auf NVIDIA H100 80GB SXM?
Bedingte Speicherbeurteilung für eine Konfiguration. Kontext, Quantisierung oder Engine können die Aussage ändern.
32B BF16 plus long context on H100 80GB.
Konfiguration auf dieser Seite: bf16, 32.768 gecachte Tokens, 1 Sequenz, Engine vllm.
Status: Knapp. Software: Dokumentiert unterstützt.
Gewichte 61,02 GiB · rohes KV 8,00 GiB · gesamt 69,65 GiB–71,76 GiB.
Verfügbares Budget 78,00 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 8 KV-Köpfe verwendet, nicht 64 Query-Köpfe.
Schätzung
Knapp
Die Schätzung liegt nahe am Budget oder der Bereich schneidet es. Kleine Änderungen können zum Überlauf führen.
Geschätzter Speicherbereich: 69,65 GiB – 71,76 GiB
Die Gewichte stammen aus den gewählten Dateimetadaten. Laufzeitanteile bleiben geschätzt.
Verfügbares Budget: 78,00 GiB · Rest nach der Schätzung: 6,24 GiB – 8,35 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 8 KV-Köpfe verwendet, nicht 64 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.