Qwen2.5-3B-Instruct
Qwen · Qwen/Qwen2.5-3B-Instruct · gqa · full
| Quantização | 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 |
Estimativa
Indeterminado
Falta orçamento ou dado essencial, ou este modo de implantação não pode ser julgado nesta versão.
Faixa estimada de memória: 2,37 GiB – 2,80 GiB
Os pesos usam metadados dos arquivos escolhidos. O extra de execução continua estimado.
Compatibilidade de software
Suporte documentado. Caber na memória não prova que o motor, a quantização e o sistema operacional funcionam juntos. Ter suporte também não significa ser rápido.
Premissas que afetam o resultado
- A estimativa residente usa o total de parâmetros, inclusive especialistas MoE inativos.
- Os bytes dos pesos vêm só dos arquivos escolhidos, não de todas as quantizações do repositório.
- O tamanho do download não é o pico de GPU. Layout em execução e KV vêm a mais.
- Arquivos contados: qwen2.5-3b-instruct-q4_k_m.gguf.
- O contexto é o número de tokens em cache por sequência (entrada mais geração reservada).
- Sequências simultâneas compartilham uma cópia do modelo; os pesos não multiplicam pela quantidade de sequências.
- O tipo da KV é independente da quantização dos pesos, a menos que você mude.
- Usando 2 heads KV, não 16 de consulta.
- O pico de prefill e a decodificação estável não são iguais. O cenário alto fica mais perto do prefill.
- A reserva do motor não é o uso real de pesos e KV.
- Os buffers do llama.cpp crescem com contexto e batch. São cenários ajustáveis, não medições — salvo uma calibração correspondente.