LLM Apache-2.0

Qwen 2.5 Coder 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-Coder-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

Code generation Code completion Debugging Code review Agentic coding

Qwen 2.5 Coder 32B Instruct — ориентированная на код ветка Qwen 2.5: сильна в генерации, ревью, рефакторинге и agentic-сценариях, где модель вызывает инструменты и держит большой контекст репозитория. По ряду бенчмарков уровень близок к топовым closed-source моделям при открытой лицензии.

Dense Transformer, контекст 128k, Apache-2.0; в fp8 укладывается в одну H100 80 ГБ, на RTX 4090 — с квантизацией или коротким контекстом.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Qwen 2.5 Coder 32B в fp8 рекомендуем H100 или A100 80 ГБ; для экспериментов на 24 ГБ — квантованные веса. 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-Coder-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-Coder-32B-Instruct",
    "messages": [{"role": "user", "content": "Напиши функцию на Python для сортировки списка слов по длине, при равной длине — лексикографически."}]
  }'

Альтернативно, используйте Ollama для быстрого старта:

ollama run qwen2.5-coder:32b

Оптимизация

  • Для больших файлов режьте промпт на чанки или снижайте --max-model-len.
  • Включайте строгий JSON/structured output, если ответ идёт в пайплайн CI.
  • При росте пользователей используйте AWQ/GPTQ и мониторьте p95 latency.