LLM Apache-2.0

Qwen 2.5 32B

32B параметров · Transformer · Контекст 128k · Alibaba · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 64 ГБ Максимальное Для продакшена
FP8 32 ГБ Отличное Оптимально
INT8 32 ГБ Хорошее
INT4/Q4 16 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA RTX 4090
24 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 Qwen2.5-32B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Alibaba
Год выпуска
2024
Параметры
32B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Apache-2.0

Применение

Reasoning Code generation Multilingual tasks Instruction following

Qwen 2.5 32B Instruct — одна из сильнейших dense-моделей «среднего» класса 2024 года: по ряду coding и reasoning бенчмарков тяготеет к уровню куда более тяжёлых 70B, но всё ещё укладывается в одну карту 80 ГБ в fp8. Отличный выбор, когда важны качество и предсказуемый latency без кластера.

Контекст 128k, Apache-2.0; на RTX 4090 возможны квантованные варианты или короткий контекст.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Qwen 2.5 32B в fp8 рекомендуем H100 80 ГБ, H200 или A100 80 ГБ. 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/Qwen2.5-32B-Instruct \
  --dtype auto \
  --max-model-len 65536

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen/Qwen2.5-32B-Instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе и назови три задачи, где 32B оправдана вместо 7B."}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run qwen2.5:32b

Оптимизация

  • Балансируйте --max-model-len и параллельные запросы: 32B быстро заполняет 80 ГБ при длинных сессиях.
  • Для тяжёлого кода увеличьте лимит вывода осторожно — latency растёт линейно.
  • Рассмотрите speculative decoding или более лёгкий draft-модель, если нужен интерактивный UX.