Qwen2.5-32B calculadora TPS
Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..
Calculado para este modelo
818 tarjetas que tenemos especificaciones para
Tarjeta más pequeña que cabe
RTX A4500
20 GB · Q3_K_M · 22.5 tok/s
Tarjeta más rápida
B200
104 tok/s · 180 GB
¿Qué GPU pueden ejecutar? Qwen2.5-32B?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
132 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
104
tok/s
89–125 |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 35.5 GB | Q8_0 | Cómodo |
|
104
tok/s
89–125 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 35.5 GB | Q8_0 | Cómodo |
|
83.3
tok/s
50–133 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 35.5 GB | Q8_0 | Cómodo |
|
83.3
tok/s
50–133 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 35.5 GB | Q8_0 | Cómodo |
|
66.6
tok/s
40–107 · baja confianza |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 35.5 GB | Q8_0 | Cómodo |
|
63.7
tok/s
54–76 |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 35.5 GB | Q8_0 | Cómodo |
|
63.7
tok/s
54–76 |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 35.5 GB | Q8_0 | Cómodo |
|
61.0
tok/s
37–98 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 35.5 GB | Q8_0 | Cómodo |
|
54.1
tok/s
32–87 · baja confianza |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 35.5 GB | Q8_0 | Cómodo |
|
54.1
tok/s
32–87 · baja confianza |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 35.5 GB | Q8_0 | Cómodo |
|
54.1
tok/s
32–87 · baja confianza |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 35.5 GB | Q8_0 | Cómodo |
|
51.3
tok/s
44–62 |
H100 NVL 94 GB NVIDIA | 94 GB | 3,940 GB/s | Mar 2023 | 35.5 GB | Q8_0 | Cómodo |
|
43.8
tok/s
37–53 |
H100 PCIe 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 35.5 GB | Q8_0 | Cómodo |
|
43.8
tok/s
37–53 |
H100 SXM5 80 GB NVIDIA | 80 GB | 3,360 GB/s | Oct 2022 | 35.5 GB | Q8_0 | Cómodo |
|
43.8
tok/s
37–53 |
H100 SXM5 94 GB NVIDIA | 94 GB | 3,360 GB/s | Mar 2023 | 35.5 GB | Q8_0 | Cómodo |
|
43.8
tok/s
37–53 |
H100 SXM5 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 35.5 GB | Q8_0 | Cómodo |
|
43.8
tok/s
37–53 |
H800 SXM5 NVIDIA | 80 GB | 3,360 GB/s | Mar 2023 | 35.5 GB | Q8_0 | Cómodo |
|
40.3
tok/s
34–48 |
GeForce RTX 5090 D V2 NVIDIA | 24 GB | 1,340 GB/s | Aug 2025 | 20.3 GB | Q4_K_M | Ajustado |
|
36.7
tok/s
31–44 |
A30X NVIDIA | 24 GB | 1,220 GB/s | Apr 2021 | 20.3 GB | Q4_K_M | Ajustado |
|
35.4
tok/s
30–42 |
DRIVE A100 PROD NVIDIA | 32 GB | 1,870 GB/s | May 2020 | 27.9 GB | Q6_K | Ajustado |
|
35.4
tok/s
30–42 |
GRID A100A NVIDIA | 32 GB | 1,870 GB/s | May 2020 | 27.9 GB | Q6_K | Ajustado |
|
33.9
tok/s
29–41 |
GeForce RTX 5090 NVIDIA | 32 GB | 1,790 GB/s | Jan 2025 | 27.9 GB | Q6_K | Ajustado |
|
33.9
tok/s
29–41 |
GeForce RTX 5090 D NVIDIA | 32 GB | 1,790 GB/s | Jan 2025 | 27.9 GB | Q6_K | Ajustado |
|
33.3
tok/s
20–53 · baja confianza |
Radeon Instinct MI250 AMD | 128 GB | 3,280 GB/s | Nov 2021 | 35.5 GB | Q8_0 | Cómodo |
|
33.3
tok/s
20–53 · baja confianza |
Radeon Instinct MI250X AMD | 128 GB | 3,280 GB/s | Nov 2021 | 35.5 GB | Q8_0 | Cómodo |
Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Alibaba
- Tipo de Organización
- Industry
- País
- China
- Publicado
- 17 September 2024
- Autores
- Qwen Team
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling/generation, Question answering, Quantitative reasoning
- Formato numérico
- BF16
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 32.5B
- Datos de entrenamiento
- 18,000,000,000,000 tokens
- Épocas
- 1
32.5B
"In terms of Qwen2.5, the language models, all models are pretrained on our latest large-scale dataset, encompassing up to 18 trillion tokens"
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 3.5 × 10²⁴ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 32.5B parameters * 18 trillion tokens = 3.51 × 10^24 FLOP
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Unreleased
- Hugging Face
- Qwen
Apache 2.0 https://huggingface.co/Qwen/Qwen2.5-32B
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- Training cost
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Qwen2.5: A Party of Foundation Models!
- Última actualización
- 18 December 2025
Los extremos
Las diez GPUs más rápidas que ejecutan Qwen2.5-32B
Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..
- 01 B300 288 GB · 8,000 GB/s · Q8_0 104 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q8_0 104 tok/s
- 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 83.3 tok/s
- 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 83.3 tok/s
- 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 66.6 tok/s
- 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 63.7 tok/s
- 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 63.7 tok/s
- 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 61.0 tok/s
- 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 54.1 tok/s
- 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 54.1 tok/s
Las GPUs más pequeñas que aún funcionan Qwen2.5-32B
La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..
- 01 RTX 4000 Ada Generation 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 12.7 tok/s
- 02 RTX 4000 SFF Ada Generation 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 9.9 tok/s
- 03 Radeon RX 7900 XT 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 21.9 tok/s
- 04 A10M 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 17.6 tok/s
- 05 GeForce RTX 3080 Ti 20 GB 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 26.7 tok/s
- 06 RTX A4500 20 GB · Necesita 16.5 GB · Q3_K_M · Ajustado 22.5 tok/s
- 07 Arc Pro B60 24 GB · Necesita 20.3 GB · Q4_K_M · Ajustado 8.9 tok/s
- 08 GeForce RTX 5090 D V2 24 GB · Necesita 20.3 GB · Q4_K_M · Ajustado 40.3 tok/s
- 09 RTX PRO 4000 Blackwell SFF 24 GB · Necesita 20.3 GB · Q4_K_M · Ajustado 13.0 tok/s
- 10 GeForce RTX 5090 Mobile 24 GB · Necesita 20.3 GB · Q4_K_M · Ajustado 27.0 tok/s
Qué significan los números
Lo que necesitas para ejecutar esto
Mínima tarjeta
RTX A4500
Memoria necesaria
16.5 GB
Más rápido
104 tok/s
Qwen2.5-32B llega a un recuento de parámetros de 32.5B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 132.
El hardware mínimo que funciona es RTX A4500, con una capacidad de memoria de 20 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 22.5 tokens por segundo
El resultado más rápido proviene de B200, generando aproximadamente 104 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
Acerca de este modelo
Qwen2.5-32B fue publicado por Alibaba, en el país registrado como China, durante September 2024. La organización editora está clasificada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Question answering, Quantitative reasoning.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización Qwen.
Qué tan rápido corre, y por qué
La mitad de las tarjetas que lo sostienen gestionan más de 20.3 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 102 de ellos.
Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.
Su disposición de atención está en nuestra base de datos, por lo que las cifras de VRAM se calculan exactamente en lugar de aproximarse.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 3.5 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 18,000,000,000,000 tokens de texto
Su criterio de inclusión: training cost.
Paso a paso
Cómo elegir una GPU para Qwen2.5-32B
La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..
-
01
Verifica lo que necesita antes de cualquier otra cosa.
Cada tarjeta aquí ha sido verificada contra Qwen2.5-32B, necesitando alrededor 16.5 GB a una compresión de Q3_K_M. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
-
02
Establece la longitud de contexto en la que trabajarás.
Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. Qwen2.5-32B.
-
03
Elige cuán lejos lo comprimirás.
La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., alcanzando una compresión de Q3_K_M en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
-
04
Clasifica por rendimiento en lugar de la hoja de especificaciones.
La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Qwen2.5-32B. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 104 tok/s
-
05
Mira el margen, no solo la compatibilidad.
La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de Qwen2.5-32B. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
-
06
Mira qué más ejecuta esa tarjeta
Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. Qwen2.5-32B.
Respuestas
Qwen2.5-32B — preguntas comunes
Qwen2.5-32B— ¿Quién lo creó?
Fue publicado por Alibaba, basado en China, una organización categorizada como industry.
Qwen2.5-32B— ¿cuándo fue lanzado?
Se publicó en September 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Qwen2.5-32B— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering, Quantitative reasoning. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Qwen2.5-32B— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización Qwen. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Qwen2.5-32B— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.5 × 10²⁴ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Qwen2.5-32B— ¿Puedo ejecutarlo si no cabe en mi GPU?
Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 5.9 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
Qwen2.5-32B— ¿Correrían dos GPUS más rápido?
La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 132. Así que una segunda tarjeta rara vez es la respuesta aquí.
Qwen2.5-32B— ¿Por qué difiere la cuantificación entre tarjetas?
Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
Qwen2.5-32B— ¿Qué tan precisas son estas estimaciones de velocidad?
Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 89–125 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
Qwen2.5-32B— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es RTX A4500, con una capacidad de memoria de 20 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 16.5 GB, y produce aproximadamente 22.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 132.
Qwen2.5-32B— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 104 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 102.
Qwen2.5-32B— ¿Cuánta VRAM necesita?
Necesita aproximadamente 16.5 GB a una compresión de Q3_K_M, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.
Qwen2.5-32B— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?
Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q4_K_M, usando alrededor 20.3 GB y generando aproximadamente 40.3 tokens por segundo. El ajuste es ajustado.
Qwen2.5-32B— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Qwen2.5-32B— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 32.5B. 32.5B. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.