Qwen2.5-3B-Instruct
Qwen · Qwen/Qwen2.5-3B-Instruct · gqa · full
| 量子化 | 2,048 | 8,192 | 32,768 |
|---|---|---|---|
| BF16 safetensors | 5.88 GiB–6.44 GiB | 6.09 GiB–6.65 GiB | 6.94 GiB–7.50 GiB |
| GGUF Q8_0 | 3.50 GiB–4.06 GiB | 3.71 GiB–4.27 GiB | 4.56 GiB–5.12 GiB |
| GGUF Q5_K_M | 2.40 GiB–2.97 GiB | 2.62 GiB–3.18 GiB | 3.46 GiB–4.02 GiB |
| GGUF Q4_K_M | 2.09 GiB–2.66 GiB | 2.30 GiB–2.87 GiB | 3.15 GiB–3.71 GiB |
| INT4 theoretical | 1.57 GiB–2.28 GiB | 1.78 GiB–2.49 GiB | 2.63 GiB–3.33 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: 2.37 GiB – 2.80 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
文書で対応が確認できる. 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。
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: qwen2.5-3b-instruct-q4_k_m.gguf。
- 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。
- 16 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。