Мультимодальные Apache-2.0

Qwen2-VL 72B

72B параметров · Transformer · Контекст 33k · Alibaba · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 144 ГБ Максимальное Для продакшена
FP8 72 ГБ Отличное Оптимально
INT8 72 ГБ Хорошее
INT4/Q4 36 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H200 SXM
141 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM TGI

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Qwen2-VL-72B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Alibaba
Год выпуска
2024
Параметры
72B
Архитектура
Transformer
Контекстное окно
32,768 токенов
Лицензия
Apache-2.0

Применение

Visual question answering Document understanding Video understanding OCR

Qwen2-VL 72B — флагман линейки Qwen2-VL: уровень визуального понимания и рассуждений, сопоставимый с топовыми закрытыми VLM, при сохранении открытых весов и Apache-2.0. Модель заточена под сложные сцены, документы, multi-image диалоги и video-style сценарии, но это уже инфраструктура уровня много GPU и продуманного батчинга.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Планируйте несколько H100/A100 или эквивалент по суммарной памяти: в fp16 это порядка сотен гигабайт VRAM без шардирования. Ориентиры — H100, H200, A100 с tensor parallelism (и при необходимости pipeline parallelism) в vLLM. Перейдите в каталог GPU.

Шаг 2 — Поднимите vLLM (multimodal, multi-GPU)

Пример (число GPU подставьте под фактическую конфигурацию):

docker run --gpus all --shm-size=32g -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model Qwen/Qwen2-VL-72B-Instruct \
  --trust-remote-code \
  --tensor-parallel-size 4 \
  --max-model-len 8192 \
  --limit-mm-per-prompt image=2

На двух картах меньшего объёма чаще нужна квантизация или другой serving-стек (см. документацию Qwen2-VL и vLLM для вашей версии).

Шаг 3 — Отправьте запрос

Используйте тот же OpenAI-compatible интерфейс: несколько изображений в одном сообщении, плюс явные инструкции, что сравнить или что извлечь из документа.

Оптимизация

  • Дорогое зло — большие картинки и длинные истории чата; режьте визуальный ввод и суммаризируйте прошлые ответы.
  • Выставляйте отдельные пулы воркеров для «лёгких» односкриновых запросов и для тяжёлых multi-page документов, чтобы изоляция нагрузки не забивала очередь.