Dá para rodar Qwen2.5-32B-Instruct em RTX 4090?
No limite Qwen2.5-32B-Instruct com Q4_K_M precisa de 20,61 GiB–21,50 GiB com contexto de 8.192 tokens. A RTX 4090 tem cerca de 22 GiB utilizáveis.
5 arquivos, 19,9 GB no total.
São estimativas a partir da config do modelo e do tamanho dos arquivos, não medições. Como calculamos
O que mudar
- Reduza o contexto para cerca de 1.536 tokens para caber com folga.
- Feche outros programas que usam memória de GPU, ou reduza a reserva se a máquina roda sem tela.
Outros arquivos nesta GPU
| Quantização | Tamanho do arquivo | Engine | Total | Ajuste |
|---|---|---|---|---|
| BF16 safetensors | 65,5 GB | vllm | 63,7 GiB–65,6 GiB | Não cabe |
| GGUF Q8_0 (Qwen) | 34,8 GB | llama.cpp | 34,6 GiB–35,7 GiB | Não cabe |
| GGUF Q6_K (Qwen) | 26,9 GB | llama.cpp | 27,2 GiB–28,2 GiB | Não cabe |
| GGUF Q5_K_M (Qwen) | 23,3 GB | llama.cpp | 23,8 GiB–24,7 GiB | Não cabe |
| GGUF Q4_K_M Configuração atual | 19,9 GB | llama.cpp | 20,6 GiB–21,5 GiB | Apertado |
Mesmo contexto (8.192 tokens), um chat por vez, cada arquivo com sua engine habitual.
Configuração usada
- ModeloQwen2.5-32B-Instruct
- HardwareGeForce RTX 4090 24GB (desktop)
- QuantizaçãoGGUF Q4_K_M
- Tamanho de contexto (tokens em cache)8.192
- Motor de execução
llama.cpp - Sequências simultâneas1
- Tipo do cache KVfp16
Identificadores técnicos e dados de compartilhamento
- Modelo
qwen2.5-32b-instruct - Hardware
nvidia-geforce-rtx-4090-24gb-desktop - Quantização
gguf-q4_k_m - Código para compartilhar esta configuração
v2.eyJzY2hlbWFWZXJzaW9uIjoyLCJjYWxjdWxhdG9yVmVyc2lvbiI6IjAuMy4wIiwiZGF0YXNldFZlcnNpb24iOiIyMDI2LTEwLTAyLjEiLCJjb25maWciOnsibW9kZWxJZCI6InF3ZW4yLjUtMzJiLWluc3RydWN0IiwiaGFyZHdhcmVJZCI6Im52aWRpYS1nZWZvcmNlLXJ0eC00MDkwLTI0Z2ItZGVza3RvcCIsImRldmljZUNvdW50IjoxLCJxdWFudGl6YXRpb25JZCI6ImdndWYtcTRfa19tIiwiY29udGV4dFRva2VucyI6ODE5MiwiY29uY3VycmVudFNlcXVlbmNlcyI6MSwiZW5naW5lIjoibGxhbWEuY3BwIiwia3ZUeXBlIjoiZnAxNiJ9fQ
Como este número é calculado
Total = arquivo de pesos + cache KV + buffers de execução. A faixa vai do overhead baixo ao alto da engine mostrada.
- Pesos (arquivo)
- 18,49 GiB (19.851.336.384 bytes)
- Cache KV
- 2,00 GiB (2.147.483.648 bytes)
- Buffers de execução
- 0,13 GiB–1,01 GiB
- Total
- 20,61 GiB–21,50 GiB
- Memória utilizável
- 22,00 GiB
- Reserva de sistema / tela
- 2,00 GiB
- Sobra
- 0,50 GiB–1,39 GiB
estimativa alta 21,50 GiB com 22,00 GiB disponíveis
Caber na memória não prova que o motor, a quantização e o sistema operacional funcionam juntos. Ter suporte também não significa ser rápido.
- O contexto pedido cabe na janela nativa de 32768 tokens.
- Os pesos carregados são estimados com o total de parâmetros, incluindo especialistas MoE inativos.
- Só contam os arquivos de pesos escolhidos, não todas as quantizações do repositório.
- O tamanho do download não é o pico de memória da GPU. Layout em execução, alinhamento do alocador e cache KV vêm por cima.
- Arquivos contados: 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.
- O tamanho de contexto é o número de tokens em cache por sequência (entrada mais a saída reservada).
- Sequências simultâneas compartilham uma cópia do modelo; os pesos não multiplicam pela quantidade de sequências.
- A precisão do cache KV não depende da quantização dos pesos, a não ser que você mude.
Páginas relacionadas
Fontes
- Qwen2.5-32B-Instruct model card
- config.json — revision 5ede1c97bbab6ce5cda5812749b4c0bdf79b18dd
- safetensors index — metadata.total_size=65527752704
- Artifact repo Qwen/Qwen2.5-32B-Instruct-GGUF
- NVIDIA GeForce RTX 4090 product page — Standard Memory Config 24 GB GDDR6X
Calculadora
Esta página de combo mantém o modelo e o dispositivo da rota. Personalize na calculadora principal; o link de compartilhamento guarda essa identidade.
A carregar o snapshot do catálogo…
Escolha um modelo para ver quanta memória ele precisa.