Llama 3.3 70B Instruct (Q4_0) — 15.4 GBauf Apple M2 Pro 16GB
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 Q4_0-Quantisierung (Qualitätsstufe medium) wiegt das Modell 37.36 GB. Das übersteigt die 16 GB VRAM von Apple M2 Pro 16GB. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Hardwareanforderungen
| Modellgröße | 37.36 GB |
| Verfügbarer VRAM | 16 GB |
| Genutzter VRAM | 15.4 GB |
| System-RAM | |
| Min. RAM benötigt | 23.4 GB |
| GPU-Ebenen | 30 / 80 |
| Kontextgröße | 512 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
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-Q4_0.gguf"Server starten
llama-server \
-m llama-3-3-70b-instruct.gguf \
--n-gpu-layers 30 \
--ctx-size 512 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q4_0)?
Die Q4_0-Quantisierung von Llama 3.3 70B Instruct benötigt 37.36 GB. 30 von 80 Schichten passen in die 16 GB VRAM von Apple M2 Pro 16GB; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich Llama 3.3 70B Instruct auf Apple M2 Pro 16GB ausführen?
Ja, mit reduzierter Leistung. Apple M2 Pro 16GB kann Llama 3.3 70B Instruct (Q4_0) ausführen, aber nur 30 von 80 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.
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. Q4_0 komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 37.36 GB.
Welche Quantisierung sollte ich für Llama 3.3 70B Instruct wählen?
Q4_0 ist eine mittelwertige 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 M2 Pro 16GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
Apple M2 Pro 16GB hat 16 GB VRAM, aber Llama 3.3 70B Instruct (Q4_0) benötigt ungefähr 37.36 GB. Nur 30 von 80 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.
Wie führe ich Llama 3.3 70B Instruct (Q4_0) mit Ollama aus?
Führen Sie ollama run llama3.3:70b-instruct-q4_0 aus, um Llama 3.3 70B Instruct (Q4_0) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.