Llama 3.3 70B Instruct (Q4_0_4_4) — 31.4 GBauf OVH ai1-1-GPU

Q4_0_4_4 OVH ai1-1-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 Q4_0_4_4-Quantisierung (Qualitätsstufe low) wiegt das Modell 37.22 GB. Das übersteigt die 32 GB VRAM von OVH ai1-1-GPU. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	37.22 GB
Verfügbarer VRAM	32 GB
Genutzter VRAM	31.4 GB
System-RAM	40 GB
Min. RAM benötigt	7.4 GB
GPU-Ebenen	64 / 80
Kontextgröße	1.242
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

16 von 80 Schichten werden auf der CPU ausgeführt, was die Inferenzgeschwindigkeit verringern kann.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

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/q4_0_4_4/nvidia-v100s.yaml) apply

Generierte values.yaml

/values/llama-3-3-70b-instruct/q4_0_4_4/nvidia-v100s.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-Q4_0_4_4.gguf"

Server starten

llama-server \
  -m llama-3-3-70b-instruct.gguf \
  --n-gpu-layers 64 \
  --ctx-size 1242 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Llama 3.3 70B Instruct (FP16)
• Llama 3.3 70B Instruct (Q8_0)
• Llama 3.3 70B Instruct (Q5_K_M)

Andere Hardware

• Llama 3.3 70B Instruct on CPU Only
• Llama 3.3 70B Instruct on NVIDIA A100 80GB
• Llama 3.3 70B Instruct on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Llama 3.3 70B Instruct (Q4_0_4_4)?

Die Q4_0_4_4-Quantisierung von Llama 3.3 70B Instruct benötigt 37.22 GB. 64 von 80 Schichten passen in die 32 GB VRAM von OVH ai1-1-GPU; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Llama 3.3 70B Instruct auf OVH ai1-1-GPU ausführen?

Ja, mit reduzierter Leistung. OVH ai1-1-GPU kann Llama 3.3 70B Instruct (Q4_0_4_4) ausführen, aber nur 64 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_4_4 komprimiert Llama 3.3 70B Instruct von seiner ursprünglichen Größe auf 37.22 GB.

Welche Quantisierung sollte ich für Llama 3.3 70B Instruct wählen?

Q4_0_4_4 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 ai1-1-GPU ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 32 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

OVH ai1-1-GPU hat 32 GB VRAM, aber Llama 3.3 70B Instruct (Q4_0_4_4) benötigt ungefähr 37.22 GB. Nur 64 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_4_4) mit Ollama aus?

Führen Sie ollama run llama3.3:70b-instruct-q4_0_4_4 aus, um Llama 3.3 70B Instruct (Q4_0_4_4) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 5. März 2026