Llama 3.3 70B Instruct (Q4_0_4_4) — 47.4 GBauf OVH l40s-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 passt in die 48 GB VRAM von OVH l40s-1-gpu und ermöglicht vollständige GPU-Inferenz.
Die NVIDIA L40S ist eine Datacenter-GPU mit 48 GB GDDR6 VRAM und 864 GB/s Speicherbandbreite. Sie liefert 362 FP16 TFLOPS mit Ada-Lovelace-Architektur. Eine vielseitige GPU fuer KI-Inferenz, Training und Grafik-Workloads. Verarbeitet quantisierte Modelle bis 40B Parameter problemlos.
Hardwareanforderungen
| Modellgröße | 37.22 GB |
| Verfügbarer VRAM | 48 GB |
| Genutzter VRAM | 47.4 GB |
| System-RAM | 80 GB |
| Min. RAM benötigt | 0 GB |
| GPU-Ebenen | 80 / 80 |
| Kontextgröße | 29.279 |
| Backend | cuda13 |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
Voraussetzungen
Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:
ansible-playbook prositronic.infra.nvidia_container_toolkitBefehl
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/llama-3-3-70b-instruct/q4_0_4_4/nvidia-l40s.yaml) applyGenerierte values.yaml
/values/llama-3-3-70b-instruct/q4_0_4_4/nvidia-l40s.yaml
Werte werden geladen…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. Alle 80 Schichten passen in die 48 GB VRAM von OVH l40s-1-gpu, was volle GPU-Beschleunigung ermöglicht.
Kann ich Llama 3.3 70B Instruct auf OVH l40s-1-gpu ausführen?
Ja. OVH l40s-1-gpu bietet 48 GB VRAM, was ausreicht, um Llama 3.3 70B Instruct (Q4_0_4_4) 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. 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 l40s-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 48 GB VRAM zu maximieren.
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.