LLM Apache-2.0

Qwen 2.5 14B

14B параметров · Transformer · Контекст 128k · Alibaba · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 28 ГБ Максимальное Для продакшена
FP8 14 ГБ Отличное Оптимально
INT8 14 ГБ Хорошее
INT4/Q4 7 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Qwen2.5-14B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Alibaba
Год выпуска
2024
Параметры
14B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Apache-2.0

Применение

Instruction following Code generation Multilingual tasks Text analysis

Qwen 2.5 14B Instruct — шаг качества относительно 7B без перехода в «тяжёлый» класс: заметно лучше держит сложные инструкции, длинные диалоги и многоязычные промпты, оставаясь реалистичной для одной RTX 4090 в fp8.

Контекст 128k, Apache-2.0; хороший компромисс для production, если 7B не хватает, а 32B ещё рано.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Qwen 2.5 14B в fp8 оптимален RTX 4090; для fp16 смотрите также A100 или H100. Перейдите в каталог GPU и арендуйте инстанс с Docker-образом.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Qwen/Qwen2.5-14B-Instruct \
  --dtype auto \
  --max-model-len 32768

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen/Qwen2.5-14B-Instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе: чем 14B отличается от 7B на практике для бизнес-ассистента?"}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run qwen2.5:14b

Оптимизация

  • На 24 ГБ VRAM держите запас под KV-cache: при длинном контексте начните с 16k–32k и профилируйте.
  • Для мультиязычных промптов следите за токенизацией — длина в токенах может быть выше, чем кажется по символам.
  • Квантизация (GPTQ/AWQ) помогает при росте числа одновременных пользователей.