Llama 3.3 70B Instruct (Q3_K_M) — 73.2 GBauf OVH a100-1-gpu

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 80 GB VRAM von OVH a100-1-gpu und ermöglicht vollständige GPU-Inferenz.

Die NVIDIA A100 80 GB ist eine Datacenter-GPU mit 80 GB HBM2e VRAM und 2039 GB/s Speicherbandbreite. Sie liefert 312 FP16 TFLOPS und ermoeglicht schnelle Inferenz grosser Sprachmodelle mit bis zu 70B Parametern bei moderater Quantisierung. Bestens geeignet fuer Datacenter-Teams, die produktive LLM-Workloads mit hoher Speicherkapazitaet und hohem Durchsatz betreiben.

Hardwareanforderungen

Modellgröße	31.91 GB
Verfügbarer VRAM	80 GB
Genutzter VRAM	73.2 GB
System-RAM	160 GB
Min. RAM benötigt	0 GB
GPU-Ebenen	80 / 80
Kontextgröße	131.072
Backend	cuda13
Flash Attention	Ja
Lesen von Festplatte	Ja

Bereitstellung

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q3_k_m/nvidia-a100-80gb.yaml) apply

Generierte `values.yaml`

/values/llama-3-3-70b-instruct/q3_k_m/nvidia-a100-80gb.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell 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-attn

Überprüfen

curl http://localhost:8080/health

Häufig 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 80 GB VRAM von OVH a100-1-gpu, was volle GPU-Beschleunigung ermöglicht.

Kann ich Llama 3.3 70B Instruct auf OVH a100-1-gpu ausführen?

Ja. OVH a100-1-gpu bietet 80 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 OVH a100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 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.

Zuletzt aktualisiert: 5. März 2026