RTX 4090でQwen2.5-32B-Instructは動く？
ぎりぎりです Qwen2.5-32B-Instruct の Q4_K_M は 8,192 トークンのコンテキストで 20.61 GiB–21.50 GiB 必要です。RTX 4090 で使えるのは約 22 GiB です。
5 ファイル、合計 19.9 GB。
これはモデルの config とファイルサイズからの推定で、実測ではありません。 計算方法
変えるべき点
- コンテキストを約 1,536 トークンまで短くすれば無理なく収まります。
- GPU メモリを使う他のアプリを閉じるか、画面を出さないマシンなら予約量を下げてください。
このグラボでのほかのファイル
| 量子化 | ファイルサイズ | エンジン | 合計 | 適合 |
|---|---|---|---|---|
| BF16 safetensors | 65.5 GB | vllm | 63.7 GiB–65.6 GiB | 収まらない |
| GGUF Q8_0 (Qwen) | 34.8 GB | llama.cpp | 34.6 GiB–35.7 GiB | 収まらない |
| GGUF Q6_K (Qwen) | 26.9 GB | llama.cpp | 27.2 GiB–28.2 GiB | 収まらない |
| GGUF Q5_K_M (Qwen) | 23.3 GB | llama.cpp | 23.8 GiB–24.7 GiB | 収まらない |
| GGUF Q4_K_M この設定 | 19.9 GB | llama.cpp | 20.6 GiB–21.5 GiB | ぎりぎり |
同じコンテキスト（8,192 トークン）、同時に 1 会話、各ファイルは通常のエンジンで計算しています。
固定の設定
- モデルQwen2.5-32B-Instruct
- ハードウェアGeForce RTX 4090 24GB (desktop)
- 量子化GGUF Q4_K_M
- コンテキスト長（キャッシュするトークン数）8,192
- 実行エンジン
llama.cpp - 同時シーケンス数1
- KV Cache の精度fp16
技術識別子と共有データ
- モデル
qwen2.5-32b-instruct - ハードウェア
nvidia-geforce-rtx-4090-24gb-desktop - 量子化
gguf-q4_k_m - この構成の共有コード
v2.eyJzY2hlbWFWZXJzaW9uIjoyLCJjYWxjdWxhdG9yVmVyc2lvbiI6IjAuMy4wIiwiZGF0YXNldFZlcnNpb24iOiIyMDI2LTEwLTAyLjEiLCJjb25maWciOnsibW9kZWxJZCI6InF3ZW4yLjUtMzJiLWluc3RydWN0IiwiaGFyZHdhcmVJZCI6Im52aWRpYS1nZWZvcmNlLXJ0eC00MDkwLTI0Z2ItZGVza3RvcCIsImRldmljZUNvdW50IjoxLCJxdWFudGl6YXRpb25JZCI6ImdndWYtcTRfa19tIiwiY29udGV4dFRva2VucyI6ODE5MiwiY29uY3VycmVudFNlcXVlbmNlcyI6MSwiZW5naW5lIjoibGxhbWEuY3BwIiwia3ZUeXBlIjoiZnAxNiJ9fQ
この数値の計算方法
合計 = 重みファイル + KV キャッシュ + ランタイムのバッファ。範囲は表示中のエンジンのオーバーヘッドの低めから高めまでです。
- 重み（ファイル）
- 18.49 GiB (19,851,336,384 bytes)
- KV キャッシュ
- 2.00 GiB (2,147,483,648 bytes)
- ランタイムのバッファ
- 0.13 GiB–1.01 GiB
- 合計
- 20.61 GiB–21.50 GiB
- 使えるメモリ
- 22.00 GiB
- OS / 画面の予約
- 2.00 GiB
- 残り
- 0.50 GiB–1.39 GiB
高めの見積もり 21.50 GiB／使える容量 22.00 GiB
メモリが足りても、指定のエンジン・量子化・OS で動くとは限りません。動いても速いとは限りません。
- コンテキスト長はネイティブの 32768 トークン以内です。
- 常駐する重みは総パラメータ数で見積もり、使われていない MoE エキスパートも含めます。
- 重みのバイト数は選んだファイルだけで数えます。リポジトリ内の全量子化を合計することはありません。
- ダウンロードサイズはピーク時の GPU メモリではありません。実行時のレイアウトや KVキャッシュが上乗せされます。
- 計上したファイル: qwen2.5-32b-instruct-q4_k_m-00001-of-00005.gguf, qwen2.5-32b-instruct-q4_k_m-00002-of-00005.gguf, qwen2.5-32b-instruct-q4_k_m-00003-of-00005.gguf, qwen2.5-32b-instruct-q4_k_m-00004-of-00005.gguf, qwen2.5-32b-instruct-q4_k_m-00005-of-00005.gguf。
- コンテキスト長は、シーケンスごとにキャッシュするトークン数（入力＋生成分）です。
- 同時シーケンスは1つのモデルを共有するため、重みはシーケンス数で増えません。
- KVキャッシュの精度は、変更しない限り重みの量子化とは無関係です。
関連ページ
出典
計算機
組み合わせページはルートのモデルと機材を固定します。変更するにはメイン計算機でカスタマイズし、共有がその身元を保持します。
公開カタログスナップショットを読み込み中…
モデルを選ぶと必要なメモリがわかります。
モデルを選ぶと必要なメモリがわかります。