# Hardware-Spezifikation: KI-Inferenz-Server für Qwen2.5-VL-72B

**Projekt:** On-Premise GPU-Server für Vision-Language-Inferenz  
**Datum:** 01.02.2026  
**Modell:** Qwen2.5-VL-72B-Instruct  
**Hinweis:** DeepSeek V3.1 läuft bereits lokal auf Notebook — nicht Gegenstand dieser Spezifikation

---

## 1. Modell-Profil: Qwen2.5-VL-72B

| Eigenschaft | Wert |
|---|---|
| Parameter (Language Decoder) | 72 Milliarden |
| Vision Encoder (ViT) | ~675 Millionen |
| Kontextfenster | 128K Tokens |
| Bildverarbeitung | Dynamische Auflösung, variable Token-Anzahl pro Bild |
| Video-Support | Ja (Frame-Sampling mit temporaler Kodierung) |
| Architektur-Features | Window Attention (ViT), SwiGLU, RMSNorm, mRoPE |

### VRAM-Bedarf der Modellgewichte

| Präzision | Gewichte | Empfohlener VRAM gesamt (inkl. KV-Cache, Aktivierungen) |
|---|---|---|
| BF16 (volle Präzision) | ~144 GB | 192–384 GB |
| FP8 (quantisiert) | ~72 GB | 120–192 GB |
| INT4 / AWQ | ~36 GB | 80–120 GB |

### Warum Vision-Modelle mehr VRAM brauchen als Text-LLMs

Bei reinen Text-Modellen ist der VRAM-Bedarf relativ vorhersehbar. Bei Vision-Language-Modellen wie Qwen2.5-VL kommt ein **dynamischer Zusatzbedarf** hinzu:

- Jedes Eingabebild wird in eine variable Anzahl visueller Tokens umgewandelt (standardmässig 256–16.384 Tokens pro Bild, steuerbar über `min_pixels` / `max_pixels`).
- Hochauflösende Bilder oder mehrere Bilder pro Anfrage können den VRAM-Verbrauch sprunghaft erhöhen.
- Der Vision-Encoder selbst ist mit ~675M Parametern klein, aber die erzeugten visuellen Tokens vergrössern den KV-Cache erheblich.
- Video-Inputs erzeugen besonders viele Tokens und können den VRAM um ein Vielfaches steigern.

**Praxis-Implikation:** Für Qwen2.5-VL-72B muss deutlich mehr VRAM-Headroom eingeplant werden als für ein reines 72B-Textmodell.

---

## 2. GPU-Konfiguration

### Option A — Empfohlen: 4× NVIDIA RTX 6000 Ada (48 GB)

| Komponente | Spezifikation |
|---|---|
| **GPU** | **4× NVIDIA RTX 6000 Ada Generation (48 GB GDDR6 ECC)** |
| VRAM gesamt | 192 GB |
| Speicherbandbreite pro GPU | 960 GB/s |
| FP16 Tensor Performance | 1.457 TFLOPS (mit Sparsity) |
| Architektur | Ada Lovelace (4. Gen. Tensor Cores) |
| TDP pro GPU | 300W |
| Interconnect | PCIe Gen 4 ×16 |

**Begründung:**

- 192 GB Gesamt-VRAM reicht für Qwen2.5-VL-72B in BF16 (~144 GB Gewichte) mit ausreichend Headroom für KV-Cache und Bildverarbeitung.
- Benchmarks zeigen ~450 Tokens/s Durchsatz für 72B-Modelle auf 4× A6000/RTX 6000 Ada mit vLLM — das ist für die meisten Produktiv-Szenarien schnell genug.
- Die RTX 6000 Ada übertrifft die ältere A6000 bei Inferenz um ~28% dank neuerer Tensor Cores und höherer Bandbreite.
- Preis-Leistung ist bei 48-GB-Workstation-GPUs deutlich besser als bei Datacenter-GPUs (A100/H100).
- 4 GPUs passen in einen Standard-4U-Server ohne exotische Kühlung.

**Deployment-Konfiguration:**

```bash
# vLLM mit Tensor-Parallelismus über 4 GPUs
vllm serve Qwen/Qwen2.5-VL-72B-Instruct \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 4 \
  --mm-encoder-tp-mode data \
  --gpu-memory-utilization 0.95 \
  --max-model-len 65536 \
  --limit-mm-per-prompt '{"image":4,"video":0}'
```

**Wichtig:** `--mm-encoder-tp-mode data` ist essenziell — der Vision-Encoder wird im Data-Parallel-Modus betrieben, da er im Vergleich zum 72B-Decoder winzig ist und Tensor-Parallelismus auf dem ViT mehr Kommunikations-Overhead als Gewinn bringt.

### Option B — Performance-Upgrade: 4× NVIDIA L40S (48 GB)

| Komponente | Spezifikation |
|---|---|
| **GPU** | **4× NVIDIA L40S (48 GB GDDR6 ECC)** |
| VRAM gesamt | 192 GB |
| Speicherbandbreite pro GPU | 864 GB/s |
| FP16 Tensor Performance | 1.466 TFLOPS (mit Sparsity) |
| Architektur | Ada Lovelace (Datacenter-Variante) |
| TDP pro GPU | 350W |
| Interconnect | PCIe Gen 4 ×16 |

**Begründung:**

- Gleicher VRAM wie RTX 6000 Ada, aber als Datacenter-GPU mit besserem Dauerbetriebs-Support, ECC-Speicher und Fernwartung.
- Etwas höhere TDP (350W vs. 300W) ermöglicht höhere Sustained Performance.
- Verfügbar in validierten Server-Plattformen (Supermicro, Dell, Lenovo).
- Preislich zwischen RTX 6000 Ada und A100 positioniert.

### Option C — Maximale Qualität: 2× NVIDIA A100 SXM 80 GB

| Komponente | Spezifikation |
|---|---|
| **GPU** | **2× NVIDIA A100 SXM (80 GB HBM2e)** |
| VRAM gesamt | 160 GB |
| Speicherbandbreite pro GPU | 2.039 GB/s |
| FP16 Tensor Performance | 624 TFLOPS (mit Sparsity) |
| Architektur | Ampere |
| TDP pro GPU | 400W |
| Interconnect | NVLink 3.0 (600 GB/s bidirektional) |

**Begründung:**

- HBM2e bietet doppelt so hohe Speicherbandbreite wie GDDR6 — das beschleunigt die autoregressive Token-Generierung massiv.
- NVLink ermöglicht schnellere Inter-GPU-Kommunikation als PCIe.
- **Achtung:** 160 GB Gesamt-VRAM ist knapp. Modellgewichte in BF16 (~144 GB) lassen nur ~16 GB für KV-Cache. Bei grossen Bildern oder Batching wird es eng. Empfohlen nur mit FP8-Quantisierung (~72 GB Gewichte → ~88 GB für KV-Cache).
- Höherer Preis und eingeschränkte Verfügbarkeit gegenüber RTX 6000 Ada / L40S.

### GPU-Vergleich auf einen Blick

| Kriterium | 4× RTX 6000 Ada | 4× L40S | 2× A100 80GB |
|---|---|---|---|
| VRAM gesamt | 192 GB | 192 GB | 160 GB |
| Bandbreite gesamt | 3.840 GB/s | 3.456 GB/s | 4.078 GB/s |
| BF16 ohne Quantisierung | ✅ Ja | ✅ Ja | ⚠️ Knapp |
| KV-Cache Headroom | ~48 GB | ~48 GB | ~16 GB (BF16) |
| Interconnect | PCIe | PCIe | NVLink |
| Dauerbetrieb im Rack | ⚠️ Workstation-GPU | ✅ Datacenter-GPU | ✅ Datacenter-GPU |
| Stromverbrauch | ~1.200W | ~1.400W | ~800W |
| GPU-Kosten (ca.) | 20.000–28.000 € | 28.000–36.000 € | 30.000–40.000 € |
| **Empfehlung** | **Bestes Preis-Leistungs-Verhältnis** | **Bester Kompromiss** | Höchste Bandbreite pro GPU |

---

## 3. Gesamtsystem-Spezifikation (basierend auf Option A/B)

### Server-Plattform

| Komponente | Spezifikation |
|---|---|
| Formfaktor | 4U Rackmount |
| Plattform-Beispiele | Supermicro SYS-421GE-TNRT, Dell PowerEdge R760xa, Lenovo ThinkSystem SR675 V3 |
| GPU-Slots | 4× PCIe Gen 4/5 ×16 (Double-Width) |

### CPU

| Komponente | Spezifikation |
|---|---|
| Prozessor | 1× AMD EPYC 9354 (32 Cores, 3.25 GHz) oder Intel Xeon w5-3435X |
| PCIe-Lanes | Mind. 64 Lanes PCIe Gen 4/5 (16 pro GPU) |
| Hinweis | CPU ist nicht der Flaschenhals — wichtig sind genügend PCIe-Lanes |

### Arbeitsspeicher (RAM)

| Komponente | Spezifikation |
|---|---|
| Kapazität | 256 GB DDR5-4800 ECC RDIMM |
| Konfiguration | 8× 32 GB DIMMs, alle Kanäle belegt |
| Begründung | Modell wird beim Start in RAM geladen (~144 GB), bevor es auf GPUs verteilt wird |

### Storage

| Komponente | Spezifikation |
|---|---|
| Primär (Modell) | 1× 2 TB NVMe PCIe Gen 4 SSD |
| Sekundär (OS/Logs) | 1× 500 GB NVMe SSD |
| Begründung | Qwen2.5-VL-72B in BF16 ≈ 144 GB, plus FP8- und AWQ-Varianten, Tokenizer, Config |

### Netzwerk

| Komponente | Spezifikation |
|---|---|
| Primär (API) | 2× 10/25 GbE (Bonding, Redundanz) |
| Management | 1× 1 GbE IPMI/BMC |
| Hinweis | Für Bildübertragung an die API genügt 10 GbE, bei Video-Workloads 25 GbE empfohlen |

### Stromversorgung

| Komponente | Spezifikation |
|---|---|
| Netzteil | 2× redundant, mind. 2.400W gesamt |
| Geschätzte TDP | ~1.800–2.200W unter Volllast (4× GPU + System) |
| Rack-Anschluss | 1× 16A/230V CEE oder 2× C19/C20 |

---

## 4. Software-Stack

### Betriebssystem und Treiber

| Komponente | Empfehlung |
|---|---|
| OS | Ubuntu 22.04 LTS Server |
| NVIDIA-Treiber | 550+ (Data Center Driver Branch) |
| CUDA | 12.4+ |
| Container | Docker + NVIDIA Container Toolkit |

### Inferenz-Framework

| Framework | Eignung für Qwen2.5-VL | Hinweis |
|---|---|---|
| **vLLM** (empfohlen) | ✅ Voller VLM-Support | Offiziell dokumentiertes Setup, Tensor- und Data-Parallelismus, OpenAI-kompatible API |
| SGLang | ✅ Unterstützt | Gute Performance, weniger dokumentiert für VLMs |
| TensorRT-LLM | ⚠️ Eingeschränkt | VLM-Support im Aufbau, beste Performance wenn verfügbar |

### Optimierungs-Parameter

| Parameter | Empfehlung | Wirkung |
|---|---|---|
| `--max-model-len` | 65536 (statt 128K default) | Reduziert KV-Cache-Reservierung erheblich |
| `--gpu-memory-utilization` | 0.95 | Nutzt fast den gesamten VRAM |
| `--limit-mm-per-prompt` | `{"image":4,"video":0}` | Begrenzt Bilder pro Anfrage, verhindert VRAM-Spikes |
| `min_pixels` / `max_pixels` | `256×28×28` / `1280×28×28` | Im Processor setzen — grösster Hebel für VRAM-Einsparung |
| Flash Attention 2 | Aktivieren | Reduziert VRAM für Attention signifikant, besonders bei vielen visuellen Tokens |
| FP8-Quantisierung | Optional (RedHatAI-Variante) | Halbiert VRAM der Gewichte, bis zu 1,8× Speedup laut Benchmarks |

### Produktions-Deployment

```bash
# Empfohlenes Setup: vLLM mit Qwen2.5-VL-72B auf 4× RTX 6000 Ada
docker run --gpus all \
  -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model Qwen/Qwen2.5-VL-72B-Instruct \
  --tensor-parallel-size 4 \
  --mm-encoder-tp-mode data \
  --gpu-memory-utilization 0.95 \
  --max-model-len 65536 \
  --limit-mm-per-prompt '{"image":4,"video":0}' \
  --host 0.0.0.0 \
  --port 8000
```

**API-Zugriff** (OpenAI-kompatibel):

```python
from openai import OpenAI
import base64

client = OpenAI(base_url="http://<server-ip>:8000/v1", api_key="dummy")

with open("dokument.png", "rb") as f:
    img_b64 = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-VL-72B-Instruct",
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_b64}"}},
            {"type": "text", "text": "Analysiere dieses Dokument."}
        ]
    }],
    max_tokens=2048
)
```

---

## 5. Kostenübersicht

| Position | Option A (4× RTX 6000 Ada) | Option B (4× L40S) |
|---|---|---|
| GPUs | 20.000–28.000 € | 28.000–36.000 € |
| Server (CPU, RAM, Storage, Gehäuse, PSU) | 8.000–12.000 € | 8.000–12.000 € |
| Netzwerk (NICs, Kabel) | 500–1.500 € | 500–1.500 € |
| **Gesamtsystem** | **~30.000–42.000 €** | **~38.000–50.000 €** |

---

## 6. Empfehlung

**Für Qwen2.5-VL-72B als dedizierter Vision-Server empfehlen wir Option A (4× RTX 6000 Ada) als bestes Preis-Leistungs-Verhältnis** oder **Option B (4× L40S) bei Bedarf an Datacenter-Zertifizierung und Dauerbetrieb.**

Beide Konfigurationen bieten:

- Qwen2.5-VL-72B in voller BF16-Präzision ohne Quantisierungsverlust
- Ausreichend VRAM-Headroom für hochauflösende Bilder und moderate Batch-Sizes
- ~450 Tokens/s Durchsatz bei Textgenerierung
- Skalierungspfad: FP8-Quantisierung verdoppelt den verfügbaren KV-Cache bei minimalem Qualitätsverlust
- Passend für Standard-19"-Rack (4U), handhabbare Stromaufnahme (~2 kW)

### Vor Beschaffung klären

1. **Gleichzeitige Nutzer:** Bei >10 parallelen Bild-Anfragen wird der VRAM-Headroom knapp. Dann FP8-Variante nutzen oder auf 8 GPUs erweitern.
2. **Bildauflösung:** Standard-Dokumente (A4-Scans, Screenshots) sind unkritisch. Hochauflösende Fotos oder Multi-Image-Workflows brauchen striktere `max_pixels`-Limits.
3. **Video-Anforderungen:** Video-Inferenz ist drastisch VRAM-intensiver und langsamer. Falls benötigt, unbedingt `max_pixels` begrenzen und separates Benchmarking durchführen.
4. **Rack-Infrastruktur:** 2 kW Abwärme und 4U Platzbedarf im bestehenden Rack einplanen. Luftkühlung ist bei 4 GPUs à 300W noch problemlos machbar.