Qwen2.5-VL-7B-Instruct Q4_K_M: VRAM-Bedarf 5,42 GiB
VRAM-Bedarf 5,42 GiB. Qwen2.5-VL-7B-Instruct Q4_K_M bei 8.192 Tokens ist eine Schätzung von 4,92 GiB–5,42 GiB. Quelle Qwen/Qwen2.5-VL-7B-Instruct. Datei 4.683.072.384 Bytes. Keine Grafikkarte gewählt, daher nur Bedarf, keine Einpassung.
Konkrete Checkpoints mit belegter Struktur und ausgewählten Gewichtungsdateien. GGUF Q4_K_M (Unsloth): 4,92 GiB–5,42 GiB bei 8.192 Tokens, 1 Sequenz, FP16-KV, llama.cpp.
Herausgeber und Herkunft
- AnbieterQwen
- Hugging Face
Qwen/Qwen2.5-VL-7B-Instruct - Revision
cc594898137f460bfe9f0759e9844b3ce807cfb5 - Parameter gesamt8.292.166.656
- Schichten28
- Query-Köpfe28
- KV-Köpfe4 (gqa)
- Kopfdimension128
- Dokumentierte Kontextfähigkeit128.000
- Vollständigkeitcomplete · full
Speicherschichten in dieser Schätzung
Datei-Bytes, rohes KV, Engine-Zusätze und Gesamtbedarf stehen getrennt. Das ist keine Laufzeitspur.
- Weight artifact
- 4,36 GiB (4.683.072.384 bytes)
- Raw KV cache
- 0,44 GiB (469.762.048 bytes)
- Engine extras / workspace
- 0,13 GiB–0,62 GiB
- Total estimated demand
- 4,92 GiB–5,42 GiB
Gewählte Dateien
| Quantisierung | Gewählte Dateien | Bytes | Laufzeit | Beleg |
|---|---|---|---|---|
| BF16 safetensors bf16 | 16.584.333.312 (15,45 GiB / 16,58 GB) | vllm, sglang, unspecified | file-metadata | |
| GGUF Q4_K_M (Unsloth) gguf-q4_k_m | Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf | 4.683.072.384 (4,36 GiB / 4,68 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q5_K_M (Unsloth) gguf-q5_k_m | Qwen2.5-VL-7B-Instruct-Q5_K_M.gguf | 5.444.830.080 (5,07 GiB / 5,44 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q6_K (Unsloth) gguf-q6_k | Qwen2.5-VL-7B-Instruct-Q6_K.gguf | 6.254.197.632 (5,82 GiB / 6,25 GB) | llama.cpp, ollama, unspecified | file-metadata |
| GGUF Q8_0 (Unsloth) gguf-q8_0 | Qwen2.5-VL-7B-Instruct-Q8_0.gguf | 8.098.524.032 (7,54 GiB / 8,10 GB) | llama.cpp, ollama, unspecified | file-metadata |
| INT4 theoretical | Keine veröffentlichte Datei | 4.146.083.328 (Theoretische Zeilen sind keine herunterladbaren Artefakte.) | — | theoretical |
Speicher nach Quantisierung und Kontext
Gleichzeitige Sequenzen = 1. KV ist standardmäßig FP16. Die Spanne enthält dokumentierte Laufzeit-Zusätze der genannten Engine. Die Zahlen nutzen denselben Kern wie der interaktive Rechner.
| Quantisierung | 2.048 tokens | 8.192 tokens | 32.768 tokens |
|---|---|---|---|
| BF16 safetensors | 16,18 GiB–18,06 GiB | 16,51 GiB–18,40 GiB | 17,82 GiB–19,75 GiB |
| GGUF Q4_K_M (Unsloth) | 4,60 GiB–5,06 GiB | 4,92 GiB–5,42 GiB | 6,24 GiB–6,82 GiB |
| GGUF Q5_K_M (Unsloth) | 5,31 GiB–5,78 GiB | 5,63 GiB–6,14 GiB | 6,95 GiB–7,54 GiB |
| GGUF Q6_K (Unsloth) | 6,06 GiB–6,55 GiB | 6,39 GiB–6,91 GiB | 7,70 GiB–8,31 GiB |
| GGUF Q8_0 (Unsloth) | 7,78 GiB–8,30 GiB | 8,10 GiB–8,66 GiB | 9,42 GiB–10,07 GiB |
| INT4 theoretical Theoretische Zeilen sind keine herunterladbaren Artefakte. | 4,10 GiB–5,68 GiB | 4,42 GiB–6,09 GiB | 5,74 GiB–7,70 GiB |
KV-Cache (Rohdaten)
Rohes GQA/MHA-KV ist 2 × Schichten × kvHeads × headDim × Tokens × Sequenzen × Bytes je Element. Diese Seite nutzt KV-Heads (4), nicht Query-Heads (28).
- 8,192 tokens, 1 sequence, FP16: 469.762.048 bytes (0,4375 GiB)
- 32,768 tokens: 1.879.048.192 bytes (1,7500 GiB)
Verwandte Seiten
Quellen
- Qwen2.5-VL-7B-Instruct model card
- config.json — revision cc594898137f460bfe9f0759e9844b3ce807cfb5
- safetensors index — metadata.total_size=16584333312
- Artifact repo unsloth/Qwen2.5-VL-7B-Instruct-GGUF
Annahmen, die das Ergebnis beeinflussen
- Der Kontext liegt im dokumentierten nativen Fenster von 128000 Tokens.
- 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: Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf.
- Es gibt eine Vision-Komponente. Textinferenz zählt Encoder/Projector nicht.
- 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.
Rechner
Katalog-Snapshot wird geladen…
Suchen oder ein Katalogmodell wählen, um den VRAM-Bedarf zu sehen.