Inconsistent memory consumption?
I maintainer di solito rispondono entro 4 giorni
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 35/100
- Tipo di issue
- Bug
- Chiarezza
- Da chiarire
- Stato di attività
- Attiva
- Ambito
- ai, performance
Direzione di ricerca
Start by reproducing the reported RAM measurements for the QWen3.5 2B, 4B, and 9B models with 4k and 8k contexts, recording usage at load and inference. Trace the inference and memory-management paths involved; done means determining whether the shared 27GB usage is expected or isolating a reproducible defect.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
This might not be an issue but a misunderstanding.
I run FastFlowLM on a Ryzen AI 7 360 PRO NPU with 64GB VRAM.
The purpose is to run visual tasks on NPU and I am selecting a model for perf/RAM among the QWen3.5 family. I try 2B, 4B, and 9B models with 4k/8k context window size to concisely read short text from a 1080x720pix PNG image.
What is confusing: On model load, the consumed RAM is slightly different - OK, but when I run inference on the models they all end up with the same 27GB consumed RAM, which is very confusing. Also the context window size does not have an effect. I expected to see less RAM consumed by smaller models.
Here are RAM consumption details:
- QWen3.5-2B
- On load: 4.2GB
- On inference: 27GB
- QWen3.5-4B
- On load: 5.5GB
- On inference: 27GB
- QWen3.5-9B
- On load: 9.0GB
- On inference: 27GB
Am I supposed to expect the same RAM consumption, no matter the LLM size: 2B/4B/9B?
- Lingua principale
- C++
- Stelle
- 1.9k
- Fork
- 158
- Merge medio
- 4g 16h
- PR unite (30g)
- 14
Preparare l'ambiente
- Include un Dockerfile o un file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di ROCm/FastFlowLM
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
ROCm/FastFlowLM#757 ·
I maintainer di solito rispondono entro 4 giorni
-
No valid checkpoint to restore + Max length reached on multi-turn tool calls (Qwen3.6-MoE, NPU)Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
ROCm/FastFlowLM#744 · 2 commenti ·
I maintainer di solito rispondono entro 4 giorni
-
Truncated tool call is emitted as a complete one (unterminated heredoc reaches the client)Forse già presa @Javinator9889 l’ha presa 19 giorni fa. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
ROCm/FastFlowLM#741 · 1 commento ·
I maintainer di solito rispondono entro 4 giorni
-
Download timeoutForse già presa @stdevPavelmc l’ha presa 147 giorni fa. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 74/100
ROCm/FastFlowLM#520 · 7 commenti ·
I maintainer di solito rispondono entro 4 giorni
-
[Nice-to-have] /v1/pingAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
ROCm/FastFlowLM#434 · 1 commento ·
I maintainer di solito rispondono entro 4 giorni
Tutte le issue di ROCm/FastFlowLM
Issue simili
-
needs-triage
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
flashinfer-ai/flashinfer#6212 ·
I maintainer di solito rispondono entro 1 giorno
-
bug graphics
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
FlaxEngine/FlaxEngine#4295 · 2 commenti ·
I maintainer di solito rispondono entro 2 giorni
-
bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 66/100
Algorithmiq/monoprop#390 ·
I maintainer di solito rispondono entro 1 giorno
-
docs
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
leethomason/tinyxml2#1097 ·