Qwen2.5-0.5B-Instruct
Qwen · Qwen/Qwen2.5-0.5B-Instruct · gqa · full
| 量子化 | 2,048 | 8,192 | 32,768 |
|---|---|---|---|
| BF16 safetensors | 1.01 GiB–1.57 GiB | 1.08 GiB–1.64 GiB | 1.36 GiB–1.92 GiB |
| INT4 theoretical | 0.32 GiB–0.90 GiB | 0.39 GiB–0.97 GiB | 0.67 GiB–1.25 GiB |
見積もり
判断できない
予算や必須データが足りないか、この版では扱えない配置です。
推定メモリ範囲: 1.14 GiB – 1.54 GiB
重みは選択したファイルのメタデータを使います。実行時の追加分は見積もりです。
ソフトウェアの対応
未確認. 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。
- メモリに余裕があっても、そのエンジン・量子化・OS の組み合わせが動くとは限りません。
結果を左右する前提
- 常駐ウェイトの見積もりは総パラメータを使い、非アクティブな MoE エキスパートも含めます。
- ウェイトのバイト数は選んだファイルだけです。リポジトリ内の全量子化を合計しません。
- ダウンロードサイズはピーク GPU メモリではありません。実行時レイアウトと KV は別です。
- 計上したファイル: model.safetensors。
- コンテキストはシーケンスあたりのキャッシュトークン数（入力＋生成の予約）です。
- 同時シーケンスは同一のモデル複製を共有し、ウェイトはシーケンス数では増えません。
- KV の型は、変更しない限りウェイト量子化とは独立です。
- 14 個の query heads ではなく 2 個の KV heads を使います。
- プリフィルのピークと定常デコードは同じではありません。高シナリオはプリフィル寄りです。
- エンジン予約はウェイトと KV の実使用量ではありません。
- llama.cpp の計算バッファはコンテキストとバッチで増えます。ここは調整可能なシナリオで、一致する校正がある場合だけ実測として示します。