VRAM necessária para Qwen2.5-14B-Instruct

Qwen2.5-14B-Instruct precisa de cerca de 10,6 GiB de memória de GPU com Q4_K_M e contexto de 8K. Numa placa de 12 GB como a RTX 4070 fica no limite; uma de 16 GB como a RTX 4080 SUPER tem espaço. Com contexto de 32K precisa de cerca de 15,5 GiB, o que cabe numa placa de 20 GB.

São estimativas a partir da config do modelo e do tamanho dos arquivos, não medições. Como calculamos

VRAM por quantização

QuantizaçãoTamanho do arquivoTotal com 8KTotal com 32K
BF16 safetensors29,5 GB29,6 GiB–31,6 GiB34,1 GiB–36,2 GiB
GGUF Q8_015,7 GB16,2 GiB–17,0 GiB20,7 GiB–21,8 GiB
GGUF Q6_K (Qwen)12,1 GB12,9 GiB–13,6 GiB17,4 GiB–18,4 GiB
GGUF Q5_K_M (Qwen)10,5 GB11,4 GiB–12,1 GiB15,9 GiB–16,9 GiB
GGUF Q4_K_M9,0 GB10,0 GiB–10,6 GiB14,5 GiB–15,5 GiB

Nomes como Q4_K_M e Q8_0 são níveis de quantização: menos bits por peso dão um arquivo menor e um pouco menos de qualidade. Os totais somam o cache KV (memória que cresce com o tamanho do contexto) e os buffers de execução, com um chat por vez. Arquivos para baixar

Quais GPUs conseguem rodar

MemóriaUtilizávelExemplosCom 8KCom 32K
8 GB7,0 GiBRTX 4060, RTX 3060, RTX 5060 Ti +1 outrasNão cabeNão cabe
10 GB9,0 GiBRTX 3080Não cabeNão cabe
12 GB11,0 GiBRTX 4070, RTX 3060, RTX 5070 +2 outrasApertadoNão cabe
16 GB14,0 GiBRTX 4080 SUPER, RTX 5080, RX 7800 XT +5 outrasCabeNão cabe
16 GB15,0 GiBRTX 4060 Ti, RTX 4070 Ti SUPERCabeApertado
20 GB18,0 GiBRX 7900 XTRoda com folgaCabe
24 GB22,0 GiBRTX 4090, RX 7900 XTX, RTX 3090Roda com folgaCabe
32 GB30,0 GiBRTX 5090Roda com folgaRoda com folga
48 GB46,0 GiBL40SRoda com folgaRoda com folga
80 GB78,0 GiBA100, H100Roda com folgaRoda com folga
64 GB · unificada54,0 GiBApple M2 MaxRoda com folgaRoda com folga
128 GB · unificada96,0 GiBRyzen AI Max+ 395Roda com folgaRoda com folga
128 GB · unificada112,0 GiBDGX Spark (GB10)Roda com folgaRoda com folga
128 GB · unificada116,0 GiBApple M4 MaxRoda com folgaRoda com folga

GGUF Q4_K_M, um chat por vez. A memória utilizável é o total menos uma reserva padrão para o sistema e a tela.

Verificações específicas

Arquitetura

O cache KV cresce com o contexto: em FP16 são cerca de 1,5 GiB com 8K e 6 GiB com 32K. O modelo tem 8 cabeças KV para 40 cabeças de consulta (atenção com consultas agrupadas), o que mantém esse cache pequeno.

Perguntas frequentes

O tamanho do download é a VRAM usada?

Não. O arquivo Q4_K_M tem cerca de 8,4 GiB, mas com contexto de 8K o total fica perto de 10,6 GiB, porque o cache KV e os buffers de execução se somam aos pesos.

Quanta memória um contexto maior acrescenta?

No Qwen2.5-14B-Instruct o cache KV ocupa cerca de 1,5 GiB com 8K tokens e 6 GiB com 32K em FP16. Os pesos não mudam de tamanho.

Qual quantização devo usar?

Comece com Q4_K_M (cerca de 10,6 GiB com 8K). Se tiver memória, BF16 precisa de cerca de 31,6 GiB e fica mais perto dos pesos originais.

Arquivos para baixar

QuantizaçãoArquivosTamanho do arquivoEngine
BF16 safetensors
8 shards safetensors
Primeiro shard: model-00001-of-00008.safetensors
Último shard: model-00008-of-00008.safetensors
Ver todos os 8 arquivos de shard
  • model-00001-of-00008.safetensors
  • model-00002-of-00008.safetensors
  • model-00003-of-00008.safetensors
  • model-00004-of-00008.safetensors
  • model-00005-of-00008.safetensors
  • model-00006-of-00008.safetensors
  • model-00007-of-00008.safetensors
  • model-00008-of-00008.safetensors
29,54 GB
29.540.067.328 bytes
vllm, sglang
GGUF Q8_0qwen2.5-14b-instruct-q8_0-00001-of-00004.gguf, qwen2.5-14b-instruct-q8_0-00002-of-00004.gguf, qwen2.5-14b-instruct-q8_0-00003-of-00004.gguf, qwen2.5-14b-instruct-q8_0-00004-of-00004.gguf15,70 GB
15.701.597.984 bytes
llama.cpp, ollama
GGUF Q6_K (Qwen)qwen2.5-14b-instruct-q6_k-00001-of-00004.gguf, qwen2.5-14b-instruct-q6_k-00002-of-00004.gguf, qwen2.5-14b-instruct-q6_k-00003-of-00004.gguf, qwen2.5-14b-instruct-q6_k-00004-of-00004.gguf12,12 GB
12.124.684.064 bytes
llama.cpp, ollama
GGUF Q5_K_M (Qwen)qwen2.5-14b-instruct-q5_k_m-00001-of-00003.gguf, qwen2.5-14b-instruct-q5_k_m-00002-of-00003.gguf, qwen2.5-14b-instruct-q5_k_m-00003-of-00003.gguf10,51 GB
10.508.873.376 bytes
llama.cpp, ollama
GGUF Q4_K_Mqwen2.5-14b-instruct-q4_k_m-00001-of-00003.gguf, qwen2.5-14b-instruct-q4_k_m-00002-of-00003.gguf, qwen2.5-14b-instruct-q4_k_m-00003-of-00003.gguf8,99 GB
8.988.110.496 bytes
llama.cpp, ollama
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.

GGUF Q4_K_M · 8.192 tokens · llama.cpp

Pesos (arquivo)
8,37 GiB (8.988.110.496 bytes)
Cache KV
1,50 GiB (1.610.612.736 bytes)
Buffers de execução
0,13 GiB–0,77 GiB
Total
10,00 GiB–10,64 GiB
  • 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: qwen2.5-14b-instruct-q4_k_m-00001-of-00003.gguf, qwen2.5-14b-instruct-q4_k_m-00002-of-00003.gguf, qwen2.5-14b-instruct-q4_k_m-00003-of-00003.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.

Como calculamos

Abrir a calculadora com este modelo

Páginas relacionadas

Fontes

Calculadora

A carregar o snapshot do catálogo…

Tamanho do contexto

Mais contexto precisa de mais memória para o cache KV, a memória de trabalho do modelo para a conversa.

Mais opções
Quantização
Runtime

Engine e tipo de cache KV desta estimativa.

Carga

Cenário de overhead e o espaço de prefill.

Topologia

Como o modelo é dividido entre dispositivos. A memória não é somada.

O número de réplicas é avançado. A quantidade são nós ou GPUs, não réplicas.

Orçamento

Reserva do sistema e margem de segurança. Um número vazio mantém o valor anterior.

GiB (2^30 bytes)

%

Modelo personalizado

Importe uma config ou digite a arquitetura. Nada é varrido até você importar.

O arquivo é lido só no navegador e não é enviado.

Só huggingface.co, só config.json, sem token. Repositório privado é recusado.

Escolha um modelo para ver quanta memória ele precisa.