Llama 3.3 70B Instruct (Q3_K_M) — 73.2 GBauf Apple M4 Max 128GB
Überblick
Llama 3.3 70B Instruct ist ein 70B-Parameter dense-Sprachmodell von Meta, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 131,072 Tokens.
Llama 3.3 70B Instruct ist ein dichter Transformer mit 70 Milliarden Parametern von Meta, optimiert fuer Instruktionsbefolgung, Codegenerierung und mehrsprachige Konversation. Er liefert eine Leistung, die mit groesseren Modellen der Llama-Familie konkurriert, und bleibt dabei praktisch fuer Single-Node-GPU-Deployments. Das Modell unterstuetzt Tool Calling und acht Sprachen, darunter Englisch, Franzoesisch, Spanisch und Deutsch. Mit einem 128K-Kontextfenster und Grouped-Query Attention quantisiert es effizient bis auf Q4-Stufen fuer selbstgehostete Inferenz auf Consumer-Hardware.
Bei Q3_K_M-Quantisierung (Qualitätsstufe low) wiegt das Modell 31.91 GB. Das passt in die 128 GB VRAM von Apple M4 Max 128GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 31.91 GB |
| Verfügbarer VRAM | 128 GB |
| Genutzter VRAM | 73.2 GB |
| System-RAM | |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 80 / 80 |
| Kontextgröße | 131.072 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Bereitstellung
llama.cpp installieren
brew install llama.cppModell herunterladen
curl -L -o llama-3-3-70b-instruct.gguf "https://huggingface.co/bartowski/Llama-3.3-70B-Instruct-GGUF/resolve/main/Llama-3.3-70B-Instruct-Q3_K_M.gguf"Server starten
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 80 \
--ctx-size 131072 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q3_K_M)?
Die Q3_K_M-Quantisierung von Llama 3.3 70B Instruct benötigt 31.91 GB. Alle 80 Schichten passen in die 128 GB VRAM von Apple M4 Max 128GB, was volle GPU-Beschleunigung ermöglicht.
Kann ich Llama 3.3 70B Instruct auf Apple M4 Max 128GB ausführen?
Ja. Apple M4 Max 128GB bietet 128 GB VRAM, was ausreicht, um Llama 3.3 70B Instruct (Q3_K_M) mit allen Schichten auf der GPU für optimale Leistung auszuführen.
Was ist Quantisierung?
Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. Q3_K_M komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 31.91 GB.
Welche Quantisierung sollte ich für Llama 3.3 70B Instruct wählen?
Q3_K_M ist eine niedrigwertige Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.
Was ist Flash Attention und warum ist es aktiviert?
Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für Llama 3.3 70B Instruct auf Apple M4 Max 128GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 128 GB VRAM zu maximieren.
Wie führe ich Llama 3.3 70B Instruct (Q3_K_M) mit Ollama aus?
Führen Sie ollama run llama3.3:70b-instruct-q3_k_m aus, um Llama 3.3 70B Instruct (Q3_K_M) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.